Prædiktive Modeller på Psykosocial Profil, Træthed og Søvnkvalitet

Fibromyalgi (FM) er en tilstand kendetegnet ved kroniske muskuloskeletale smerter, hvis patofysiologi forbliver uklar. Desuden er denne lidelse ofte forbundet med søvnforstyrrelser, udtalt træthed, morgenstivhed, ringe livskvalitet, kognitive forandringer (primært hukommelsesrelaterede problemer) og psykologiske forstyrrelser, herunder depression, angst og stress.

FM er betydeligt mere udbredt hos kvinder med et estimeret kvinde-til-mand-forhold på cirka 3:1. Dens prævalens i den voksne befolkning anslås til 2-3 %, hvilket stiger med alderen og når sit højdepunkt mellem 45 og 65 år. Den socioøkonomiske og sundhedsmæssige byrde af denne tilstand er betydelig, da FM er forbundet med høje rater af lægekonsultationer, arbejdsløshed, arbejdsrelateret handicap og behovet for økonomisk støtte relateret til handicap.

FM er blevet knyttet til højere niveauer af negativ affekt, defineret som en generel tilstand af nød, der omfatter aversive følelser såsom sorg, frygt, vrede og skyldfølelse. Patienter med FM udviser almindeligvis forhøjede niveauer af angst, depression, smertekatastrofisering og stress, som er forbundet med forværring af symptomer, herunder kognitive svækkelser.

I de senere år er maskinlæring, datamining og kunstig intelligens (AI) teknikker med succes blevet anvendt til udvikling af computerassisterede diagnose (CAD) systemer til identifikation af komplekse sundhedstilstande, der opnår gode niveauer af nøjagtighed og effektivitet ved at genkende potentielt meningsfulde mønstre i sundhedsrelaterede data. Følgelig giver disse teknologier kraftfulde værktøjer til multivariabel dataanalyse, der muliggør modelbaserede forudsigelser og tilbyder en klar fordel i risikovurdering på tværs af en bred vifte af sygdomme. Desuden understøtter disse tilgange ikke kun udviklingen af kliniske prædiktive modeller, men forbedrer også klinikeres evne til at fortolke og anvende deres resultater i praksis.

Forklarlige maskinlæringsmodeller giver kliniske eksperter mulighed for at træffe datadrevne beslutninger og levere personlige behandlinger, samtidig med at de opretholder en høj standard for pleje. Disse modeller falder inden for området forklarlig kunstig intelligens (XAI), som sigter mod at udvikle fortolkbare modeller, der bevarer høj prædiktiv nøjagtighed, mens de forbedrer gennemsigtigheden, forståelsen og pålideligheden af modeloutput.

En tidligere publikation fra vores forskningsgruppe demonstrerede ved brug af maskinlæringsmodeller en stærk sammenhæng mellem psykiske sundhedsfaktorer - især angst og depression - og fibromyalgi sværhedsgrad, med en større indflydelse end smerteintensiteten i sig selv. Andre udbredte symptomer på fibromyalgi, såsom træthed og søvnkvalitetsforstyrrelser, betragtes også af patienter som væsentlige bidragydere til nedsat livskvalitet, ofte opfattet som mere indflydelsesrige end smerter.

Følgelig sigter nærværende studie mod at udvikle prædiktive modeller for fibromyalgi sværhedsgrad ved hjælp af maskinlæring og forklarlig kunstig intelligens teknikker, der inkorporerer træthed og søvnkvalitet som nye variable i analysen.

Forståelse af den individuelle og kombinerede relevans af disse psykosociale komponenter i bestemmelse af patienternes kliniske status kan bidrage til forbedret sygdomsstyring og mere personlige behandlingsstrategier, som i sidste ende forbedrer plejekvaliteten.