Utilizzo della PNL e delle reti neurali per identificare autonomamente l'asma grave e determinare l'idoneità allo studio in un grande sistema sanitario

L’asma è una malattia eterogenea. L’eterogeneità dell’asma è supportata da osservazioni cliniche e studi di associazione sull’intero genoma (GWAS) che hanno identificato oltre 200 loci di suscettibilità all’asma nel DNA. Questi "punti caldi" genetici sono vicini a citochine infiammatorie, fattori di crescita e altre proteine ​​infiammatorie consapevolmente legate all'infiammazione delle vie aeree, comprese le citochine IL-4, -5, -13, -25, -33 e TSLP.

Nuove terapie con anticorpi monoclonali hanno cambiato drasticamente il trattamento dell’asma da moderato a grave. Le nuove terapie con anticorpi monoclonali introdotte negli ultimi 7 anni hanno notevolmente avanzato le opzioni di trattamento per i pazienti con asma da moderato a grave. Queste terapie riducono o eliminano efficacemente le riacutizzazioni gravi, prevengono i ricoveri ospedalieri e migliorano la qualità della vita dei pazienti. Tuttavia, molti pazienti affetti da asma grave, in particolare quelli che vivono in aree svantaggiate, vengono ancora trattati eccessivamente con steroidi e sottotrattati con anticorpi monoclonali.

Il 21st Century Cures Act cambierà il panorama della ricerca. Il 21st Century Cures Act ha rafforzato l’uso dei dati del mondo reale (RWD) e delle prove del mondo reale (RWE) per supportare gli studi clinici, aiutare nelle decisioni sulla copertura dei farmaci, sviluppare linee guida nazionali sul trattamento e strumenti di supporto decisionale standardizzati. Una fonte sottoutilizzata di RWE/D sono le cartelle cliniche elettroniche (EHR). Il machine learning (ML), l’intelligenza artificiale e l’elaborazione del linguaggio naturale (NLP) stanno sviluppando tecnologie che miglioreranno notevolmente la nostra capacità di sfruttare i dati nei sistemi EHR.

Lo studio mira a utilizzare nuove tecnologie (ML, AI, NLP), per identificare autonomamente popolazioni con asma da moderato a grave all’interno di un sistema EHR, descrivere le differenze nei modelli di trattamento tra diverse popolazioni e determinare l’ammissibilità dello studio.

Obiettivi primari Assicurati di dettagliare gli obiettivi primari Obiettivo 1. Determinare e convalidare una diagnosi di asma grave (SA) utilizzando le caratteristiche predittive ottenute dallo Scripps Health EHR.

• Obiettivo 1a: utilizzare il machine learning applicato ai dati strutturati delle cartelle cliniche elettroniche per prevedere la SA. Utilizza l'opinione di 2 medici specializzati e le linee guida ATS per determinare l'accuratezza del modello.
• Obiettivo 1b: utilizzare la PNL applicata al testo non strutturato per prevedere SA. Determinare l'accuratezza del modello come sopra nell'Obiettivo 1a.
• Obiettivo 1c: utilizzare una combinazione di ML applicata ai dati strutturati per prevedere SA. Determinare l'accuratezza del modello come sopra nell'Obiettivo 1a.