Prädiktive Modelle zu psychosozialem Profil, Fatigue und Schlafqualität

Fibromyalgie (FM) ist eine Erkrankung, die durch chronische muskuloskelettale Schmerzen gekennzeichnet ist, deren Pathophysiologie unklar bleibt. Darüber hinaus ist diese Störung häufig mit Schlafstörungen, ausgeprägter Müdigkeit, Morgensteifigkeit, schlechter Lebensqualität, kognitiven Veränderungen (vor allem Gedächtnisproblemen) und psychischen Störungen wie Depressionen, Angstzuständen und Stress verbunden.

FM tritt bei Frauen deutlich häufiger auf, mit einem geschätzten Verhältnis von Frauen zu Männern von etwa 3:1. Die Prävalenz in der erwachsenen Bevölkerung wird auf 2-3% geschätzt, steigt mit dem Alter und erreicht ihren Höhepunkt zwischen 45 und 65 Jahren. Die sozioökonomische und gesundheitliche Belastung durch diese Erkrankung ist erheblich, da FM mit hohen Raten an Arztkonsultationen, Arbeitslosigkeit, Arbeitsunfähigkeit und dem Bedarf an behinderungsbezogener finanzieller Unterstützung verbunden ist.

FM wurde mit höheren Werten von negativem Affekt in Verbindung gebracht, definiert als ein allgemeiner Zustand der Belastung, der aversive Emotionen wie Traurigkeit, Angst, Wut und Schuld umfasst. Patienten mit FM weisen häufig erhöhte Werte von Angst, Depression, Schmerzkatastrophisierung und Stress auf, die mit einer Verschlechterung der Symptome, einschließlich kognitiver Beeinträchtigungen, verbunden sind.

In den letzten Jahren wurden Techniken des maschinellen Lernens, Data Mining und der künstlichen Intelligenz (KI) erfolgreich bei der Entwicklung computergestützter Diagnosesysteme (CAD) zur Identifizierung komplexer Gesundheitszustände eingesetzt, die durch die Erkennung potenziell bedeutsamer Muster in gesundheitsbezogenen Daten gute Genauigkeits- und Effizienzwerte erreichen. Dementsprechend bieten diese Technologien leistungsstarke Werkzeuge für die multivariable Datenanalyse, ermöglichen modellbasierte Vorhersagen und bieten einen klaren Vorteil bei der Risikobewertung für eine Vielzahl von Krankheiten. Darüber hinaus unterstützen diese Ansätze nicht nur die Entwicklung klinischer Vorhersagemodelle, sondern verbessern auch die Fähigkeit von Klinikern, deren Ergebnisse in der Praxis zu interpretieren und anzuwenden.

Erklärbare maschinelle Lernmodelle ermöglichen es klinischen Experten, datengesteuerte Entscheidungen zu treffen und personalisierte Behandlungen zu liefern, während ein hoher Versorgungsstandard aufrechterhalten wird. Diese Modelle fallen in den Bereich der erklärbaren künstlichen Intelligenz (XAI), die darauf abzielt, interpretierbare Modelle zu entwickeln, die eine hohe Vorhersagegenauigkeit bewahren und gleichzeitig die Transparenz, das Verständnis und die Vertrauenswürdigkeit der Modellausgaben verbessern.

Eine frühere Veröffentlichung unserer Forschungsgruppe zeigte mithilfe von maschinellen Lernmodellen eine starke Assoziation zwischen psychischen Gesundheitsfaktoren – insbesondere Angst und Depression – und der Schwere der Fibromyalgie, mit einem größeren Einfluss als die Schmerzintensität selbst. Andere häufige Symptome der Fibromyalgie, wie Müdigkeit und Schlafqualitätsstörungen, werden von Patienten ebenfalls als Hauptursachen für eine verminderte Lebensqualität angesehen, die oft als einschneidender als Schmerzen empfunden werden.

Dementsprechend zielt die vorliegende Studie darauf ab, Vorhersagemodelle für die Schwere der Fibromyalgie mithilfe von maschinellem Lernen und erklärbarer künstlicher Intelligenz zu entwickeln und dabei Müdigkeit und Schlafqualität als neue Variablen in die Analyse einzubeziehen.

Das Verständnis der individuellen und kombinierten Relevanz dieser psychosozialen Komponenten für die Bestimmung des klinischen Status der Patienten kann zu einem verbesserten Krankheitsmanagement und personalisierteren Behandlungsstrategien beitragen und letztlich die Qualität der Versorgung verbessern.