Prediktív modellek a pszichoszociális profil, fáradtság és alvásminőség alapján

A fibromyalgia (FM) egy krónikus mozgásszervi fájdalommal jellemezhető állapot, melynek patofiziológiája továbbra is tisztázatlan. Ezen túlmenően ez a rendellenesség gyakran társul alvászavarokkal, kifejezett fáradtsággal, reggeli merevséggel, életminőség romlással, kognitív változásokkal (elsősorban memóriával kapcsolatos problémákkal) és pszichológiai zavarokkal, beleértve a depressziót, szorongást és stresszt.

A FM jelentősen gyakoribb nőknél, a becsült nő-férfi arány körülbelül 3:1. Az előfordulása a felnőtt népességben 2-3%-ra becsülhető, amely az életkorral növekszik és 45 és 65 év között éri el a csúcsot. Ennek az állapotnak a társadalmi-gazdasági és egészségügyi terhe jelentős, mivel a FM magas orvosi konzultációk, munkanélküliség, munkaképtelenség és rokkantsággal kapcsolatos pénzügyi támogatás iránti igény arányával jár együtt.

A FM magasabb szintű negatív affektussal állt összefüggésben, amelyet általános distresszként definiálnak, magában foglalva az olyan ellenszenves érzelmeket, mint a szomorúság, félelem, harag és bűntudat. Az FM-ben szenvedő betegek gyakran mutatnak emelkedett szorongási, depressziós, fájdalomkatasztrofizálási és stresszszinteket, amelyek a tünetek romlásával, köztük a kognitív károsodásokkal állnak összefüggésben.

Az elmúlt években a gépi tanulás, adatbányászat és mesterséges intelligencia (MI) technikákat sikeresen alkalmazták komplex egészségügyi állapotok azonosítására szolgáló számítógéppel segített diagnosztikai (CAD) rendszerek fejlesztésében, amelyek jó pontossági és hatékonysági szintet értek el az egészségügyi adatokban rejlő potenciálisan jelentős mintázatok felismerésével. Ennek megfelelően ezek a technológiák hatékony eszközöket nyújtanak a többváltozós adatelemzéshez, lehetővé téve modellalapú előrejelzéseket és egyértelmű előnyt biztosítva a kockázatértékelésben számos betegség esetében. Ezen túlmenően ezek a megközelítések nemcsak a klinikai prediktív modellek fejlesztését támogatják, hanem javítják a klinikusok képességét is az eredmények gyakorlati értelmezésére és alkalmazására.

A magyarázható gépi tanulási modellek lehetővé teszik a klinikai szakértők számára az adatvezérelt döntéshozatalt és a személyre szabott kezelések nyújtását, miközben magas szintű ellátást biztosítanak. Ezek a modellek a magyarázható mesterséges intelligencia (XAI) területébe tartoznak, amely célul tűzi ki az értelmezhető modellek fejlesztését, amelyek magas prediktív pontosságot őriznek meg, miközben javítják a modellkimenetek átláthatóságát, megértését és megbízhatóságát.

Kutatócsoportunk egy korábbi publikációja gépi tanulási modellek segítségével erős összefüggést mutatott ki a mentális egészségi tényezők – különösen a szorongás és depresszió – és a fibromyalgia súlyossága között, amely nagyobb befolyással bírt, mint maga a fájdalom intenzitása. A fibromyalgia egyéb gyakori tünetei, mint a fáradtság és az alvásminőség zavarai, szintén jelentős tényezőnek tekinthetők az életminőség romlásában, amelyeket gyakran fájdalmasabbnak érzékelnek, mint magát a fájdalmat.

Ennek megfelelően a jelen tanulmány célja a fibromyalgia súlyosságának prediktív modelljeinek fejlesztése gépi tanulás és magyarázható mesterséges intelligencia technikák alkalmazásával, beépítve a fáradtságot és az alvásminőséget új változókként az elemzésbe.

Ezen pszichoszociális összetevők egyéni és kombinált relevanciájának megértése a betegek klinikai állapotának meghatározásában hozzájárulhat a betegségkezelés javításához és személyre szabottabb kezelési stratégiákhoz, végső soron javítva az ellátás minőségét.