Forudsigelse af uønskede resultater ved hjælp af maskinlæring af KOL-patienter i Hong Kong

Kronisk obstruktiv lungesygdom (KOL) er en almindelig, forebygges og behandles sygdom, der er karakteriseret ved vedvarende åndedrætssymptomer og luftstrømsbegrænsning, der skyldes luftvejs- og/eller alveolære abnormiteter normalt forårsaget af betydelig eksponering for skadelige partikler eller gasser og påvirket af værten. faktorer, herunder unormal lungeudvikling. Det blev anslået, at 3,2 millioner mennesker døde af KOL på verdensplan i 2015, og der var en stigning på 11,6 % sammenlignet med 1990. KOL er den tredje hyppigste dødsårsag globalt i 2019.

I Hong Kong (HK) var prævalensraterne for KOL i den ældre befolkning i alderen ≥60 år 25,9 % og 12,4 % baseret på den spirometriske definition af forceret eksspiratorisk volumen på 1 s (FEV1)/forceret vitalkapacitet (FVC) ratio <70 % og den nedre normalgrænse for henholdsvis FEV1/FVC.4 Fra vores nylige undersøgelse af KOL-hospitalsindlæggelser er der i alt 67.628 KOL-indlæggelser jan 2017 Uge 1 til jan 2020 Uge 3 (før COVID-pandemien) og 11.065 indlæggelser fra jan 2020 Uge 4 til december 2020 Uge 4 (under COVID-pandemien) ). 5 Byrden ved KOL-indlæggelser er betydelig, og det er vigtigt at forstå drivkraften bag disse indlæggelser for at udvikle egnede strategier til at løse problemet og forbedre sundhedsresultaterne for patienter, der lider af KOL.

Tidlig genindlæggelse og hyppige indlæggelser som følge af KOL er almindeligt studerede hospitalsresultater på grund af den høje økonomiske byrde for både individ og stat og det høje forbrug af offentlige sundhedsressourcer. Med fremkomsten af ​​kunstig intelligens (AI) og Machine Learning (ML) har der været stor interesse for dets anvendelse på medicin. Nylig metaanalyse viste kompatibilitet af disse modeller til at forudsige KOL-udfald.7 Imidlertid har få undersøgelser formået at vise, at AI/ML er overlegne i forhold til traditionelle statistiske modelleringsmetoder, AI/ML kan fortolkes og kan være klinisk korreleret, og AI/ML kan have direkte klinisk anvendelse.

Denne undersøgelse har til formål at udvikle prædiktive modeller for patienter med diagnosen KOL ved udskrivning af en indeksindlæggelse på disse resultater:

Primært resultat: Tidlig indlæggelse

Sekundære resultater:

1. Hyppig genindlæggelse
2. Sammensat resultat (tidlig + hyppige genindlæggelser)
3. Dødelighed
4. Longstayers

Levedygtigheden og den påståede overlegenhed af Machine Learning (ML) modeller som alternativer til traditionelle statistiske læringsmetoder vil blive vurderet. Bortset fra det vil der blive identificeret topprædiktorer for hvert udfald af interesse for forslag til mulige indgreb, der vil forbedre resultaterne (dvs. reducere tidlig indlæggelse, hyppig indlæggelse og dødelighed). Der vil også blive udviklet kliniske scores for implementering i kliniske omgivelser.