Haitallisten tulosten ennustaminen keuhkoahtaumatautipotilaiden koneoppimisen avulla Hongkongissa

Krooninen obstruktiivinen keuhkosairaus (COPD) on yleinen, ehkäistävissä oleva ja hoidettavissa oleva sairaus, jolle on tunnusomaista jatkuvat hengitystieoireet ja ilmavirran rajoitukset, jotka johtuvat hengitysteiden ja/tai keuhkorakkuloiden poikkeavuuksista, jotka yleensä johtuvat merkittävästä altistumisesta haitallisille hiukkasille tai kaasuille ja joihin isäntä vaikuttaa. tekijät, mukaan lukien epänormaali keuhkojen kehitys. Arviolta 3,2 miljoonaa ihmistä kuoli keuhkoahtaumatautiin maailmanlaajuisesti vuonna 2015, ja määrä kasvoi 11,6 prosenttia vuoteen 1990 verrattuna. COPD on kolmanneksi yleisin kuolinsyy maailmanlaajuisesti vuonna 2019.

Hongkongissa (HK) keuhkoahtaumatautien esiintyvyys yli 60-vuotiailla vanhuksilla oli 25,9 % ja 12,4 % perustuen spirometriseen määritelmään pakotetun uloshengityksen tilavuudesta 1 sekunnissa (FEV1)/pakotettu vitaalikapasiteetti (FVC) -suhde <70 % ja FEV1/FVC:n normaalin alaraja.4 Äskettäisen COPD-sairaalahoidon tutkimuksemme mukaan 67 628 COPD-hoitoa tammikuun 2017 viikolta 1. tammikuuta 2020 viikolle 3 (ennen COVID-pandemiaa) ja 11 065 vastaanottoa tammikuun 2020 viikolta 4–12. ). 5 Keuhkoahtaumatautien sairaalahoitojen taakka on merkittävä, ja on tärkeää ymmärtää näiden vastaanottojen taustatekijä, jotta voidaan kehittää sopivia strategioita ongelman ratkaisemiseksi ja keuhkoahtaumatautia sairastavien potilaiden terveysvaikutusten parantamiseksi.

Varhainen takaisinotto ja keuhkoahtaumataudin aiheuttamat toistuvat vastaanottot ovat yleisesti tutkittuja sairaalatuloksia, koska se aiheuttaa sekä yksilölle että valtiolle suuren taloudellisen taakan ja julkisen terveydenhuollon resurssien suuren käytön. Tekoälyn (AI) ja koneoppimisen (ML) myötä sen soveltaminen lääketieteessä on herättänyt suurta kiinnostusta. Viimeaikainen metaanalyysi osoitti näiden mallien yhteensopivuuden COPD-tulosten ennustamisessa.7 Harvat tutkimukset ovat kuitenkin onnistuneet osoittamaan, että AI/ML on parempia kuin perinteiset tilastolliset mallinnusmenetelmät, AI/ML ovat tulkittavissa ja voivat korreloida kliinisesti ja AI/ML:llä voi olla suora kliininen käyttö.

Tämän tutkimuksen tavoitteena on kehittää ennustemalleja potilaille, joilla on keuhkoahtaumatauti diagnoosin päätyttyä seuraavilla tuloksilla:

Ensisijainen tulos: Varhainen sisäänpääsy

Toissijaiset tulokset:

1. Toistuva takaisinotto
2. Yhdistelmätulos (varhainen + toistuva takaisinotto)
3. Kuolleisuus
4. Pitkäaikaiset

Koneoppimismallien (ML) kannattavuutta ja väitettyä paremmuutta perinteisten tilastollisten oppimismenetelmien vaihtoehtoina arvioidaan. Tämän lisäksi kunkin kiinnostavan tuloksen parhaat ennustajat tunnistetaan ehdotuksia varten mahdollisista interventioista, jotka parantavat tuloksia (esim. vähentää varhaista pääsyä, toistuvaa maahanpääsyä ja kuolleisuutta). Lisäksi kehitetään kliiniset pisteet kliiniseen käyttöön.