Prediktivní modely psychosociálního profilu, únavy a kvality spánku

Fibromyalgie (FM) je onemocnění charakterizované chronickou muskuloskeletální bolestí, jejíž patofyziologie zůstává nejasná. Kromě toho je tato porucha často spojena s poruchami spánku, výraznou únavou, ranní ztuhlostí, špatnou kvalitou života, kognitivními změnami (především problémy souvisejícími s pamětí) a psychickými poruchami včetně deprese, úzkosti a stresu.

FM je výrazně častější u žen, s odhadovaným poměrem žen k mužům přibližně 3:1. Jeho prevalence v dospělé populaci se odhaduje na 2–3 %, s věkem stoupá a vrcholí mezi 45 a 65 lety. Socioekonomická a zdravotní zátěž tohoto onemocnění je značná, protože FM je spojena s vysokou mírou lékařských konzultací, nezaměstnaností, pracovní neschopností a potřebou finanční podpory související s invaliditou.

FM byla spojena s vyššími hladinami negativního afektu, definovaného jako obecný stav tísně zahrnující averzivní emoce, jako je smutek, strach, hněv a vina. Pacienti s FM běžně vykazují zvýšené hladiny úzkosti, deprese, katastrofizace bolesti a stresu, které jsou spojeny se zhoršováním příznaků, včetně kognitivních poruch.

V posledních letech byly techniky strojového učení, dolování dat a umělé inteligence (AI) úspěšně aplikovány při vývoji systémů počítačem podporované diagnostiky (CAD) pro identifikaci komplexních zdravotních stavů, přičemž dosahují dobré úrovně přesnosti a efektivity rozpoznáváním potenciálně smysluplných vzorců ve zdravotních datech. Tyto technologie tak poskytují výkonné nástroje pro multivariační analýzu dat, umožňují predikce založené na modelech a nabízejí jasnou výhodu při hodnocení rizik u širokého spektra onemocnění. Kromě toho tyto přístupy nejen podporují vývoj klinických prediktivních modelů, ale také zlepšují schopnost kliniků interpretovat a aplikovat jejich výsledky v praxi.

Vysvětlitelné modely strojového učení umožňují klinickým odborníkům činit rozhodnutí založená na datech a poskytovat personalizovanou léčbu při zachování vysokého standardu péče. Tyto modely spadají do oblasti vysvětlitelné umělé inteligence (XAI), jejímž cílem je vyvíjet interpretovatelné modely, které zachovávají vysokou prediktivní přesnost a zároveň zlepšují transparentnost, srozumitelnost a důvěryhodnost výstupů modelů.

Předchozí publikace naší výzkumné skupiny prokázala pomocí modelů strojového učení silnou asociaci mezi faktory duševního zdraví – zejména úzkostí a depresí – a závažností fibromyalgie, s větším vlivem než samotná intenzita bolesti. Další převládající příznaky fibromyalgie, jako je únava a poruchy kvality spánku, jsou pacienty také považovány za hlavní přispěvatele ke snížení kvality života, často vnímané jako více ovlivňující než bolest.

V souladu s tím si tato studie klade za cíl vyvinout prediktivní modely závažnosti fibromyalgie pomocí technik strojového učení a vysvětlitelné umělé inteligence, přičemž jako nové proměnné do analýzy zahrnuje únavu a kvalitu spánku.

Porozumění individuálnímu a kombinovanému významu těchto psychosociálních složek při určování klinického stavu pacientů může přispět ke zlepšení managementu onemocnění a personalizovanějších léčebných strategií, což v konečném důsledku zvyšuje kvalitu péče.