電子医療記録に基づく肝硬変診断の優先順位付けアルゴリズム。

この研究では、研究者らは、肝硬変に進行するリスクが高い患者を早期の治療可能な段階で優先的に特定できるモデルを開発するために、肝臓病学分野における最新の機械学習機能を利用しています。

肝硬変は肝臓病の進行した状態であり、通常、肝臓がすでに重度の損傷を受けている場合に発症し、治療の選択肢は多くなく、予後は暗いです。

現在、診断には 2 つの手段があり、1 つ目は肝生検です。これは費用がかかり、患者に苦痛を与え、リスクも伴います。 2 つ目は、フィブロスキャンなどの指定された画像検査です。これは安全で痛みはありませんが、広範なスクリーニング ツールとして実行するには高価すぎます。

肝疾患のより高い確率を計算するスコアはすでに開発されていますが、検出に向けたさらなる検査を正当化するのに適した予測強度よりも低い予測強度を備えています。

この研究は 4 つの異なる段階で構成されています。

1. モデル開発。 肝硬変診断の発症までの時間を予測する機械学習モデルは、電子健康記録に基づいて開発されます。 記録は匿名化され、すべての作業は指定されたサーバー上で実行されます。

2. Clalit ヘルスケアの北地区から、匿名化された電子健康記録の最新の臨床検査結果と診断が取得されます。 これらの記録に対して、フェーズ 1 のトレーニング済みモデルが実行され、肝硬変診断の発生までの時間を予測します。 予測により、個人はリスク順に並べられます。

   臨床医のみが利用できる匿名化された記録を通じて、最もリスクの高い 20 人の個人が観察されます。 これには、最新の FIB-4 スコアの測定、以前の診断や検査、医師からのテキスト情報の表示が含まれます。 これらの個人は訪問に招待されず、記録を通じて遡及的に閲覧されるだけです。

3. フェーズ 2 の結果に基づいて、フェーズ 1 の機械学習モデルが改訂されます。 これには、包含/除外基準の改訂、モデルへの入力として与えられる臨床検査の変更など、考えられる変更が含まれます。
4. フェーズ 2 と同様に、クラリット ヘルスケアの北地区から更新された匿名化された電子医療記録が取得されます。 フェーズ 3 の更新されたモデルは、肝硬変診断の発生までの時間を予測するために実行されます。 さらに、すべての個人の FIB-4 スコアが計算されます。 フェーズ 3 のモデルによって予測された最も高い予測リスクを持つ上位個人と、最も高い FIB-4 スコアを持つ上位個人のランク付けされたリストが構築されます。 個人の約 4 分の 1 は、年齢と性別が予測グループと一致する FIB-4 スコア グループに属します。 グループのアイデンティティは臨床医には不明のままであり、二重盲検研究が維持されます。 個人は検査のためにクリニックに招待されます。 クリニックでは、個人はフィブロスキャン、身長と体重の測定を受け、WHOのアルコール使用障害識別テスト（AUDIT）のアンケートに答えます。 さらに、電子医療記録内のファイルが公開され、既存の診断、臨床検査、薬の処方箋が収集されます。