Prædiktionsmodel for risikoen for at udvikle fodsår ved diabetes

Introduktion Fodsår ved diabetes mellitus (DM) er en almindelig og alvorlig komplikation, der kan føre til infektion, amputation og øget dødelighed. Tidlig identifikation af patienter med høj risiko er afgørende for at kunne implementere forebyggende forholdsregler på et tidligt tidspunkt. Antallet af mennesker med DM stiger globalt, fra 540 millioner i 2021 til anslået 780 millioner i 2045. Fodsår forårsager betydelig lidelse for den enkelte og medfører omkostninger af betydning for sundhedsvæsenet.

På trods af nationale retningslinjer, der anbefaler regelmæssige, strukturede fodeftersyn og risikoklassifikation for at vurdere risikoen for at udvikle fodsår, tager nuværende risikomodeller ikke højde for de komplekse interaktioner mellem risikofaktorer og socioøkonomiske faktorer som civilstand, uddannelsesniveau og bopæl.

Data-drevne fremskridt og kunstig intelligens (AI) tilbyder nye muligheder for at forfine risikoidentifikation, men deres anvendelse til at forudsige risikoen for diabetiske fodsår er stadig begrænset. Behovet for fodscreen er betydeligt. I Sverige er der cirka 600.000 patienter med DM, og halvdelen af dem lever med en øget risiko på grund af nerveskader i fødderne. Dette betyder, at baseret på risikoniveau, kan omkring 300.000 patienter i Sverige kræve forebyggende indgreb, herunder medicinsk fodpleje, tilpasset fodtøj og adgang til specialiseret behandling for dem med fodsår. Forbedrede forebyggende indsatser understreges i den personcentrerede og integrerede behandlingsvej for mennesker med diabetes med høj risiko for fodsår. Dog mangler der i øjeblikket præcis identifikation af fodsårsrisiko.

Forebyggelse fører ikke kun til god livskvalitet for den enkelte, men også til reducerede sundhedsomkostninger. Estimater fra Ragnarsson Tennvall viser, at et vanskeligt-lægende sår koster cirka 100.000 SEK om året, mens en amputation koster omkring 300.000-500.000 SEK. Givet en prævalens af fodsår på 5% blandt patienter med diabetes, udgør de årlige omkostninger til sårbehandling 3 milliarder SEK. Derudover er der omkostninger på cirka 750 millioner SEK for amputationer, ifølge data fra kvalitetsregistret SwedAmp.

Formålet med studiet er at udvikle, teste og validere forudsigelsesmodeller (statistiske og AI-baserede) for at identificere patienter med DM, der har risiko for at udvikle fodsår. Modellerne vil være baseret på retrospektive elektroniske patientjournaldata fra primærplejen i Västra Götalandsregionen (VGR), samt data fra Statistiska centralbyrån (SCB) vedrørende demografiske faktorer som civilstand, uddannelsesniveau, erhverv og bopæl.

Metoder Studiet har to metodiske tilgange: AI-baseret modellering og statistisk modellering.

AI-baseret tilgang Maskinlæringsmodeller vil blive udviklet til at forudsige patienter med risiko for at udvikle diabetiske fodsår. Modellerne vil blive trænet ved hjælp af krydsvalidering på et stort datasæt, hvor variabler vil blive iterativt udelukket. Konform forudsigelse vil blive brugt til at kvantificere usikkerhed i patientniveau-forudsigelser. De resulterende modeller vil blive analyseret for at identificere de stærkeste prædiktorer og vil blive sammenlignet med klassisk statistisk modellering og resultater fra litteraturen.

Trin i AI-modellering:

Dataudtræk: Elektroniske patientjournaldata fra primærplejen i VGR, suppleret med sociodemografiske data fra SCB.

Databehandling: Anvendelse af, blandt andre variabler, diagnosekoder (ICD-10), sundhedsindsatser (KVÅ-koder), besøgstyper, besøgshyppighed, EKG-parametre og fritekstdata til at konstruere prædiktorer.

Modeludvikling: Forudsigelsesmodeller vil blive udviklet og trænet ved hjælp af krydsvalidering. Målinger af usikkerhed vil blive genereret ved hjælp af konform forudsigelse.

Validering: En separat kohort vil blive brugt til at teste modelpræstation (følsomhed, specificitet, positiv prædiktiv værdi [PPV]).

Fortolkning: Modellerne vil blive gennemgået for gennemsigtighed og klinisk fortolkbarhed i samarbejde med patientrepræsentanter, klinikere og forskere.

Resultaterne af de statistiske og AI-baserede modeller vil blive sammenlignet med hensyn til deres respektive styrker og svagheder.

Statistisk modellering To populationer vil blive analyseret: patienter med diabetes uden fodsår og patienter med diabetes med fodsår. Sammenvariation og årsagssammenhænge mellem risikofaktorer og fodsår vil blive identificeret. En model, der beskriver årsagsveje, der fører til sårudvikling, vil blive udviklet, og dens sikkerhed og usikkerhed vil blive analyseret.