Vorhersage von Nebenwirkungen durch maschinelles Lernen von COPD-Patienten in Hongkong

Chronisch obstruktive Lungenerkrankung (COPD) ist eine häufige, vermeidbare und behandelbare Krankheit, die durch anhaltende Atemwegssymptome und Atemwegsbeschränkungen gekennzeichnet ist, die auf Anomalien der Atemwege und/oder Alveolen zurückzuführen sind, die normalerweise durch eine erhebliche Exposition gegenüber schädlichen Partikeln oder Gasen verursacht und vom Wirt beeinflusst werden Faktoren einschließlich abnormer Lungenentwicklung. Schätzungen zufolge starben im Jahr 2015 weltweit 3,2 Millionen Menschen an COPD, und es gab einen Anstieg von 11,6 % im Vergleich zu 1990. COPD ist 2019 weltweit die dritthäufigste Todesursache.

In Hongkong (HK) betrugen die COPD-Prävalenzraten bei der älteren Bevölkerung im Alter von ≥ 60 Jahren 25,9 % und 12,4 %, basierend auf der spirometrischen Definition des Verhältnisses forciertes Exspirationsvolumen in 1 s (FEV1)/Forcierte Vitalkapazität (FVC) < 70 % bzw. die untere Grenze des Normalwerts von FEV1/FVC.4 Aus unserer jüngsten Studie zu COPD-Krankenhauseinweisungen gehen insgesamt 67.628 COPD-Einweisungen von Januar 2017, Woche 1 bis Januar 2020, Woche 3 (vor der COVID-Pandemie) und 11.065 Aufnahmen von Januar 2020, Woche 4 bis Dezember 2020, Woche 4 (während der COVID-Pandemie) hervor ). 5 Die Belastung durch COPD-Krankenhausaufenthalte ist erheblich, und es ist wichtig, die Gründe für diese Einweisungen zu verstehen, um geeignete Strategien zur Lösung des Problems und zur Verbesserung der Gesundheitsergebnisse von COPD-Patienten zu entwickeln.

Aufgrund der hohen finanziellen Belastung sowohl für den Einzelnen als auch für den Staat und der hohen Inanspruchnahme öffentlicher Gesundheitsressourcen sind eine frühzeitige Wiederaufnahme und häufige Einweisungen aufgrund von COPD häufig untersuchte Krankenhausergebnisse. Mit dem Aufkommen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) gab es ein erhebliches Interesse an ihrer Anwendung in der Medizin. Eine kürzlich durchgeführte Metaanalyse zeigte die Kompatibilität dieser Modelle bei der Vorhersage von COPD-Ergebnissen.7 Nur wenige Studien konnten jedoch zeigen, dass KI/ML traditionellen statistischen Modellierungsmethoden überlegen sind, KI/ML interpretierbar sind und klinisch korreliert werden können und KI/ML eine direkte klinische Anwendung haben kann.

Diese Studie zielt darauf ab, prädiktive Modelle für Patienten mit einer COPD-Diagnose bei Entlassung aus einer Indexaufnahme zu diesen Endpunkten zu entwickeln:

Primärer Endpunkt: Frühzeitige Aufnahme

Sekundäre Ergebnisse:

1. Häufige Wiederaufnahme
2. Zusammengesetztes Ergebnis (frühe + häufige Wiederaufnahmen)
3. Mortalität
4. Langweilige

Die Realisierbarkeit und angebliche Überlegenheit von Modellen des maschinellen Lernens (ML) als Alternativen zu traditionellen statistischen Lernmethoden werden bewertet. Abgesehen davon würden die wichtigsten Prädiktoren für jedes interessierende Ergebnis für Vorschläge möglicher Interventionen identifiziert, die die Ergebnisse verbessern (d. h. Verringerung der frühen Aufnahme, der häufigen Aufnahme und der Sterblichkeitsrate). Klinische Scores für den Einsatz im klinischen Umfeld werden ebenfalls entwickelt.