AI-forudsagte sygdomsforløb i diabetes: En retrospektiv undersøgelse (AI-TRYDIA)

Den foreslåede undersøgelse har til formål at udnytte kraften i kunstig intelligens (AI) og maskinlæring (ML) til at imødekomme kritiske kliniske behov i behandlingen af ​​diabetes mellitus (DM), en kronisk og ikke-remissiv sygdom, der har en betydelig indvirkning på patienters liv. På trods af tilgængeligheden af ​​hypoglykæmiske behandlinger er forebyggelsen af ​​både mikrovaskulære (retinopati, nefropati, neuropati) og makrovaskulære (kardiovaskulær, cerebrovaskulær sygdom og perifer arteriel sygdom) komplikationer en udfordring, med diabetespatienter i højere risiko sammenlignet med den generelle befolkning.

Undersøgelsen fokuserer på to primære mål: For det første at identificere patienter med varierende sandsynlighed for at udvikle DM-komplikationer, hvilket giver mulighed for en mere ressourcekrævende tilgang til dem med større risiko; for det andet at udpege de mest effektive terapeutiske valg skræddersyet til individuelle patientprofiler. Disse mål stammer fra forskellige kliniske karakteristika og behov i håndteringen af ​​Type 1 DM (T1DM) og Type 2 DM (T2DM). For T1DM tyder fænomenet med partiel klinisk remission efter diagnose, præget af reduceret insulinbehov og glykæmisk variabilitet, et vindue for forbedrede langsigtede resultater. Omvendt mangler T2DM-håndteringen klar vejledning for personaliserede medicinbehandlinger efter metformin, hvilket fremhæver et hul i behandlingsoptimering.

Udnyttelse af AI og ML til analyse af multidimensionelle og longitudinelle sundhedsdata præsenterer en innovativ tilgang til at forudsige sygdomsforløb og terapeutiske resultater i DM. Denne observationelle, retrospektive undersøgelse, der oprindeligt var monocentrisk med potentiale for bredere dataintegration, vil dykke ned i elektroniske sundhedsjournaler (EHR) ved hjælp af Smart Digital Clinic Software (Meteda). Ved at screene patienter baseret på specifikke berettigelseskriterier, herunder DM-typeklassificering og historiske sundhedsmarkører, sigter denne forskning på at generere to adskilte patientkohorter til dybdegående analyse.

Denne undersøgelse adresserer ikke kun en presserende klinisk nødvendighed ved at sigte mod at forbedre personlig DM-håndtering og forhindre komplikationer, men bidrager også til det begyndende område af AI-anvendelse i sundhedsvæsenet. Gennem denne udforskning søger undersøgelsen at tilbyde ny indsigt, validere AI og ML's anvendelighed i medicinske forudsigelser og etablere et fundament for fremtidig forskning og klinisk praksis, der omfatter teknologiske fremskridt for forbedret patientbehandling.