Ennakoivat mallit psykososiaaliseen profiiliin, väsymykseen ja unenlaatuun

Fibromyalgia (FM) on kroonista luustolihaskipua aiheuttava sairaus, jonka patofysiologia on edelleen epäselvä. Lisäksi tämä häiriö liittyy usein unihäiriöihin, voimakkaaseen väsymykseen, aamuiskoon jäykkyyteen, heikkoon elämänlaatuun, kognitiivisiin muutoksiin (pääasiassa muistiongelmiin) ja psykologisiin häiriöihin, kuten masennukseen, ahdistukseen ja stressiin.

FM on huomattavasti yleisempi naisilla, ja arvioitu naisten ja miesten suhde on noin 3:1. Sen esiintyvyys aikuisväestössä on arviolta 2-3%, ja se lisääntyy iän myötä ja saavuttaa huippunsa 45 ja 65 vuoden iän välillä. Tämän sairauden sosioekonominen ja terveydenhuollon taakka on merkittävä, sillä FM liittyy korkeaan lääkärikäyntimäärään, työttömyyteen, työkyvyttömyyteen ja tarpeeseen saada työkyvyttömyyteen liittyvää taloudellista tukea.

FM on yhteydessä korkeampaan negatiivisen affektin tasoon, joka määritellään yleiseksi ahdistuneisuuden tilaksi, joka kattaa epämiellyttäviä tunteita kuten surua, pelkoa, vihaa ja syyllisyyttä. FM-potilailla esiintyy yleisesti korkeampia ahdistuneisuuden, masennuksen, kivun katastrofisoinnin ja stressin tasoja, jotka liittyvät oireiden pahenemiseen, mukaan lukien kognitiiviset häiriöt.

Viime vuosina koneoppimista, tiedonlouhintaa ja tekoälytekniikoita (AI) on onnistuneesti sovellettu tietokoneavusteisten diagnoosijärjestelmien (CAD) kehittämiseen monimutkaisten terveydentilojen tunnistamiseksi, saavuttaen hyvät tarkkuus- ja tehokkuustasot tunnistamalla mahdollisesti merkityksellisiä kuvioita terveyteen liittyvissä tiedoissa. Näin ollen nämä teknologiat tarjoavat tehokkaita työkaluja monimuuttujaan data-analyysiin, mahdollistaen mallipohjaiset ennusteet ja tarjoten selkeän edun riskinarvioinnissa monissa eri sairauksissa. Lisäksi nämä lähestymistavat eivät vain tue kliinisten ennustemallien kehittämistä, vaan myös parantavat kliinikkojen kykyä tulkita ja soveltaa niiden tuloksia käytännössä.

Selitettävät koneoppimismallit antavat kliinisille asiantuntijoille mahdollisuuden tehdä dataan perustuvia päätöksiä ja tarjota henkilökohtaisia hoitoja samalla ylläpitäen korkeaa hoitotasoa. Nämä mallit kuuluvat selitettävän tekoälyn (XAI) alaan, jonka tavoitteena on kehittää tulkittavia malleja, jotka säilyttävät korkean ennustetarkkuuden samalla parantaen mallien tulosten läpinäkyvyyttä, ymmärrettävyyttä ja luotettavuutta.

Aiempi julkaisu tutkimusryhmämme toimesta osoitti koneoppimismalleja käyttäen vahvan yhteyden mielenterveystekijöiden - erityisesti ahdistuneisuuden ja masennuksen - ja fibromyalgian vaikeusasteen välillä, joilla oli suurempi vaikutus kuin itse kivun voimakkuudella. Muut fibromyalgian yleiset oireet, kuten väsymys ja unenlaadun häiriöt, ovat myös potilaiden mielestä merkittäviä tekijöitä heikentyneessä elämänlaadussa, ja niitä pidetään usein kivua vaikuttavampina.

Näin ollen tämän tutkimuksen tavoitteena on kehittää fibromyalgian vaikeusasteen ennustemalleja käyttäen koneoppimista ja selitettävän tekoälyn tekniikoita, sisällyttäen väsymys ja unenlaatu uusina muuttujina analyysiin.

Näiden psykososiaalisten komponenttien yksilöllisen ja yhdistelmävaikutuksen ymmärtäminen potilaiden kliinisessä tilassa voi edistää parantunutta sairauden hoitoa ja henkilökohtaisempia hoitostrategioita, mikä lopulta parantaa hoidon laatua.