간경변 진단 전자 건강 기록 기반 알고리즘 우선 순위.

이 연구에서 연구자들은 초기 및 치료 가능한 단계에서 간경화로 진행될 위험이 높은 개인을 우선적으로 식별할 수 있는 모델을 개발하기 위해 간학 분야에서 기계 학습의 최신 기능을 활용합니다.

간경변증은 많은 치료 옵션과 우울한 예후 없이 간이 이미 심각하게 손상되었을 때 일반적으로 나타나는 진행된 간 질환 상태입니다.

현재 진단을 위한 두 가지 방법이 있습니다. 첫 번째는 비용이 많이 들고 환자에게 고통을 주며 자체 위험이 있는 간 생검입니다. 두 번째는 Fibroscan과 같은 지정된 영상 검사로 안전하고 통증이 없지만 광범위한 선별 도구로 할 수 있는 것보다 너무 비쌉니다.

간 질환에 대한 더 높은 확률을 계산하는 점수는 이미 개발되었지만 탐지를 위한 추가 검사를 정당화하기에 적합한 것보다 예측 강도가 낮습니다.

이 연구는 4개의 뚜렷한 단계로 구성됩니다.

1. 모델 개발. 간경변증 진단을 위한 발병까지의 시간을 예측하는 기계 학습 모델은 전자 건강 기록을 기반으로 개발됩니다. 기록은 익명으로 처리되며 모든 작업은 지정된 서버에서 수행됩니다.

2. Clalit Healthcare의 North 지역에서 익명화된 전자 건강 기록 최신 실험실 테스트 결과 및 진단을 얻을 수 있습니다. 이러한 기록에서 1단계의 훈련된 모델은 간경변증 진단을 위한 이벤트까지의 시간을 예측하기 위해 실행됩니다. 예측을 통해 개인은 위험에 따라 정렬됩니다.

   임상의만 사용할 수 있는 비익명화된 기록을 통해 가장 위험이 높은 20명의 개인이 관찰됩니다. 여기에는 최신 FIB-4 점수 측정, 이전 진단 및 테스트 보기, 의사의 텍스트 정보가 포함됩니다. 이러한 개인은 방문에 초대되지 않으며 기록을 통해 회고적으로만 볼 수 있습니다.

3. 2단계의 결과에 따라 1단계의 기계 학습 모델이 수정됩니다. 여기에는 포함/제외 기준의 수정, 모델에 대한 입력으로 제공된 실험실 테스트의 변경 등과 같은 가능한 변경이 포함됩니다.
4. 2단계에서와 마찬가지로 Clalit Healthcare의 North 지역에서 업데이트된 익명 전자 건강 기록을 얻을 것입니다. 3상에서 업데이트된 모델은 간경변증 진단을 위한 사건까지의 시간을 예측하기 위해 실행됩니다. 또한 모든 개인은 FIB-4 점수를 계산하게 됩니다. 3단계의 모델에 의해 예측된 가장 높은 예측 위험을 가진 상위 개인과 가장 높은 FIB-4 점수를 가진 상위 개인의 순위 목록이 구성됩니다. 개인의 약 4분의 1은 FIB-4 점수 그룹에서 나오며 연령과 성별은 예측 그룹과 일치합니다. 그룹 정체성은 이중 맹검 연구를 유지하면서 임상의에게 알려지지 않은 상태로 유지됩니다. 개인은 검사를 위해 클리닉에 초대됩니다. 클리닉에서 개인은 Fibroscan, 키 및 체중 측정을 받고 WHO 알코올 사용 장애 식별 테스트(AUDIT) 설문지에 답합니다. 또한 전자 건강 기록 내의 파일이 공개되고 기존 진단, 실험실 테스트 및 약물 처방이 수집됩니다.