Levercirrose Diagnose Prioritering van algoritme op basis van elektronische gezondheidsdossiers.

In deze studie maken de onderzoekers gebruik van moderne mogelijkheden van machinaal leren op het gebied van hepatologie voor het ontwikkelen van een model dat prioriteit kan geven aan individuen met een hoog risico op progressie naar levercirrose in een vroeg en behandelbaar stadium.

Cirrose is een vergevorderde leverziekte die zich meestal manifesteert wanneer de lever al ernstig beschadigd is, zonder veel behandelingsopties en sombere prognose.

Er zijn momenteel 2 middelen voor diagnose, de eerste is leverbiopsie die kostbaar is en pijn veroorzaakt bij de patiënten, en heeft zijn eigen risico's. De tweede is een aangewezen beeldvormende test, zoals Fibroscan, die veilig en pijnloos is, maar ook te duur dan mogelijk is als brede screeningstool.

Er zijn al scores ontwikkeld die een hogere kans op een leverziekte berekenen, maar met een lagere voorspellende kracht dan geschikt is om verder onderzoek naar detectie te rechtvaardigen.

Het onderzoek bestaat uit 4 verschillende fasen:

1. Model ontwikkeling. Er zal een machine learning-model worden ontwikkeld dat de time-to-event voor de diagnose van levercirrose voorspelt, op basis van elektronische gezondheidsdossiers. Records worden geanonimiseerd en al het werk wordt uitgevoerd op een aangewezen server.

2. Geanonimiseerde elektronische medische dossiers, de nieuwste laboratoriumtestresultaten en diagnoses van het noordelijke district van de gezondheidszorg in Clalit zullen worden verkregen. Op die records zal het getrainde model uit fase 1 worden uitgevoerd om de tijd tot gebeurtenis voor de diagnose van levercirrose te voorspellen. Via voorspellingen worden individuen geordend op risico.

   Via de gedeanonimiseerde dossiers, die alleen beschikbaar zijn voor clinici, zullen 20 personen met het hoogste risico worden geobserveerd. Dit omvat het meten van de nieuwste FIB-4-scores, het bekijken van eerdere diagnoses en tests, evenals tekstuele informatie van artsen. Deze personen worden niet uitgenodigd voor een bezoek en worden alleen achteraf via hun administratie ingezien.

3. Op basis van de resultaten uit fase 2 zal het machine learning model uit fase 1 worden herzien. Dit omvat mogelijke wijzigingen zoals herzieningen van opname-/uitsluitingscriteria, wijziging van laboratoriumtests die als input voor het model worden gegeven, enz.
4. Net als in fase 2 zullen bijgewerkte geanonimiseerde elektronische gezondheidsdossiers van het Noord-district van Clalit Healthcare worden verkregen. Het bijgewerkte model van fase 3 zal worden uitgevoerd om de tijd tot gebeurtenis voor de diagnose van levercirrose te voorspellen. Bovendien wordt van alle personen hun FIB-4-score berekend. Er zal een gerangschikte lijst worden opgesteld van de toppersonen met het hoogste voorspelde risico voorspeld door het model uit fase 3 en de toppersonen met de hoogste FIB-4-score. Ongeveer een vierde van de individuen komt uit de FIB-4-scoregroep, leeftijd en geslacht komen overeen met de voorspellingsgroep. Groepsidentiteit zal onbekend blijven voor clinici, die een dubbelblinde studie handhaven. Individuen worden uitgenodigd voor controles in de kliniek. In de kliniek ondergaan individuen Fibroscan, lengte- en gewichtsmetingen, beantwoorden ze de WHO Alcohol Use Disorders Identification Test (AUDIT) -vragenlijst. Bovendien zullen hun dossiers binnen het elektronisch patiëntendossier open zijn en zullen bestaande diagnoses, laboratoriumtesten en medicatievoorschriften worden verzameld.