機械学習を用いた翌日の片頭痛発生可能性の評価

解析セットには、片頭痛発作および／または関連症状および／または片頭痛関連情報の報告にNerivioアプリを使用した片頭痛患者が含まれます。

データ収集はNerivioアプリ（Nerivio®）を通じて行われます。 アプリ登録時に、患者は研究目的での非識別化データの収集に同意し、人口統計情報を提供します。 参加者は、発症からの治療開始時間、頭痛の痛み、機能的障害、片頭痛関連症状の有無などのベースライン特性、および治療後2時間の治療結果を自発的に報告できます。 すべてのデータはHIPAA準拠の安全なサーバーに保存されます。

アルゴリズムはユーザーレベルのデータでトレーニングされます。 データセットは表形式の行列として構造化され、列はリスク関連の特徴量を表し、行はユーザー日次観測を表します。 特徴量セット（X）は入力変数として機能し、片頭痛発生ラベル（Y）は目標アウトカムです。 特徴量セット（X）は、データソースに応じて4つのグループに分類できます：

人口統計データ - 年齢と性別は登録時にアプリを通じて自己申告されました。 ユーザーの国はIPアドレスに基づいて識別されます。

質問票データ - 患者の日次日誌質問票または治療前質問票への回答である特徴量。 これには頭痛重症度、機能的障害、薬剤摂取、前兆、疼痛持続時間、前駆症状が含まれます。 前駆症状に関するデータは、14の事前定義された回答を持つ多肢選択問題を通じて収集されます。

気象データ - ユーザーの地理的位置に基づく環境特徴量。 これには気圧、気温、体感温度、紫外線指数、風、湿度、降水量が含まれます。

計算特徴量 - 前述の収集データに基づいて計算される特徴量。 これには平均値、頻度、連続日数などが含まれます。

ラベル（Y）定義 - 目標変数（Y）は日次日誌記入と治療前質問票を使用して定義されます。 「翌日の片頭痛」フィールドが目標アウトカムとして機能しました。 翌暦日に片頭痛が報告された場合は値1（片頭痛日）が割り当てられ、片頭痛が報告されなかった場合は値0（非片頭痛日）が割り当てられます。 欠損値はnullとして保持され、それらの非ランダム発生に内在する可能性のある情報を捕捉します。

以下の両方の条件が満たされた場合、その日は片頭痛日（Y = 1）として分類されます：A）日誌または治療前質問票で頭痛レベルが軽度、中等度、または重度と報告された。 B）少なくとも1つの追加の片頭痛指標が存在した：片頭痛関連薬剤の摂取、または日誌または治療前質問票での光恐怖症、音恐怖症、吐き気および／または嘔吐、または前兆の報告。

以下の標準的なMLアウトカム指標を使用してモデル性能を評価しました：

適合率 - 全予測日数中の正しく予測された片頭痛日の割合。

正解率 - 全予測日数中の正しく予測された日（片頭痛日と非片頭痛日）の割合。

感度（再現率とも呼ばれる） - 全片頭痛日数中の正しく予測された片頭痛日の割合。

特異度 - 全非片頭痛日数中の正しく予測された非片頭痛日の割合。

曲線下面積（AUC） - モデルが予測リスクスコアに基づいて片頭痛日を非片頭痛日より高くランク付けする確率（すべての分類閾値にわたる片頭痛日と非片頭痛日を区別するモデルの能力を要約）。

F1スコア - 正しく予測された片頭痛日と誤って予測された片頭痛日を回避するバランスで、感度と適合率を1つの指標に結合したもの。