Předvídání nepříznivých výsledků pomocí strojového učení pacientů s CHOPN v Hong Kongu

Chronická obstrukční plicní nemoc (CHOPN) je běžné, preventabilní a léčitelné onemocnění, které je charakterizováno přetrvávajícími respiračními symptomy a omezením průtoku vzduchu, které je způsobeno abnormalitami dýchacích cest a/nebo alveolárních sklípků obvykle způsobených významnou expozicí škodlivým částicím nebo plynům a ovlivněné hostitelem. faktory včetně abnormálního vývoje plic. Odhaduje se, že v roce 2015 zemřelo na CHOPN na celém světě 3,2 milionu lidí a ve srovnání s rokem 1990 došlo k nárůstu o 11,6 %. CHOPN je v roce 2019 celosvětově třetí nejčastější příčinou úmrtí.

V Hong Kongu (HK) byly míry prevalence CHOPN u starší populace ve věku ≥ 60 let 25,9 % a 12,4 % na základě spirometrické definice poměru usilovně vydechovaného objemu za 1 s (FEV1)/usilované vitální kapacity (FVC) <70 % a dolní hranici normálu FEV1/FVC v tomto pořadí.4 Z naší nedávné studie o přijetí do nemocnic s CHOPN je celkem 67 628 přijetí CHOPN od 1. ledna 2017 do 3. týdne ledna 2020 (před pandemií COVID) a 11 065 přijetí od 4. ledna 2020 do 4. prosince 2020 (během pandemie COVID ). 5 Zátěž hospitalizací s CHOPN je značná a je důležité porozumět příčinám těchto hospitalizací pro vývoj vhodných strategií k vyřešení problému a zlepšení zdravotních výsledků pacientů trpících CHOPN.

Časná readmise a častá hospitalizace v důsledku CHOPN jsou běžně studovanými výsledky nemocnic z důvodu vysoké finanční zátěže pro jednotlivce i stát a vysokého využívání zdrojů veřejné zdravotní péče. S příchodem umělé inteligence (AI) a strojového učení (ML) vzbudil značný zájem o jejich aplikaci v medicíně. Nedávná metaanalýza ukázala kompatibilitu těchto modelů při predikci výsledků CHOPN.7 Nicméně jen málo studií dokázalo prokázat, že AI/ML jsou lepší než tradiční metody statistického modelování, AI/ML jsou interpretovatelné a mohou být klinicky korelovány a AI/ML může mít přímou klinickou aplikaci.

Tato studie si klade za cíl vyvinout prediktivní modely pro pacienty s diagnózou CHOPN při propuštění z indexového příjmu na základě těchto výsledků:

Primární výsledek: Předčasné přijetí

Sekundární výsledky:

1. Časté zpětné přijímání
2. Složený výsledek (předčasné + časté opětovné přijetí)
3. Úmrtnost
4. Longstayers

Bude posouzena životaschopnost a údajná převaha modelů strojového učení (ML) jako alternativ k tradičním statistickým metodám učení. Kromě toho by byly identifikovány hlavní prediktory každého zájmového výsledku pro návrhy možných intervencí, které výsledky zlepší (tj. snížit časné přijetí, časté přijetí a úmrtnost). Budou také vyvinuta klinická skóre pro nasazení v klinickém prostředí.