NLP en neurale netwerken gebruiken om autonoom ernstig astma te identificeren en de geschiktheid voor onderzoek te bepalen in een groot gezondheidszorgsysteem

Astma is een heterogene ziekte. De heterogeniteit van astma wordt ondersteund door klinische observaties en genoombrede associatiestudies (GWAS's) die meer dan 200 astmagevoeligheidsloci in het DNA hebben geïdentificeerd. Deze genetische ‘hotspots’ bevinden zich in de buurt van inflammatoire cytokines, groeifactoren en andere inflammatoire eiwitten die bewust verband houden met luchtwegontsteking, waaronder de cytokines IL-4, -5, -13, -25, -33 en TSLP.

Nieuwe therapieën met monoklonale antilichamen hebben de behandeling van matige tot ernstige astma drastisch veranderd. Nieuwe therapieën met monoklonale antilichamen die de afgelopen zeven jaar zijn geïntroduceerd, bieden sterk geavanceerde behandelingsopties voor matige tot ernstige astmapatiënten. Deze therapieën verminderen of elimineren op effectieve wijze ernstige exacerbaties, voorkomen ziekenhuisopnames en verbeteren de levenskwaliteit van patiënten. Veel ernstige astmapatiënten, vooral degenen die in achtergestelde gebieden wonen, worden echter nog steeds overbehandeld met steroïden en onderbehandeld met monoklonale antilichamen.

De 21st Century Cures Act zal het onderzoekslandschap veranderen. De 21st Century Cures Act versterkte het gebruik van real-world data (RWD) en real-world evidence (RWE) ter ondersteuning van klinische onderzoeken, hulp bij beslissingen over de dekking van geneesmiddelen, de ontwikkeling van nationale behandelrichtlijnen en gestandaardiseerde beslissingsondersteunende instrumenten. Een onderbenutte bron van RWE/D zijn elektronische medische dossiers (EPD). Machine Learning (ML), AI en natuurlijke taalverwerking (NLP) ontwikkelen technologieën die ons vermogen om gegevens in EPD-systemen te benutten aanzienlijk zullen vergroten.

Het onderzoek heeft tot doel nieuwe technologieën (ML, AI, NLP) te gebruiken, om autonoom matige tot ernstige astmapopulaties binnen een EPD-systeem te identificeren, verschillen in behandelingspatronen tussen verschillende populaties te beschrijven en te bepalen of de proef in aanmerking komt.

Primaire doelstellingen Zorg ervoor dat u de primaire doelstellingen gedetailleerd beschrijft. Doel 1. Bepaal en valideer een diagnose van ernstig astma (SA) met behulp van voorspellende kenmerken verkregen uit het Scripps Health EPD.

• Doel 1a: Gebruik ML toegepast op gestructureerde EPD-gegevens om SA te voorspellen. Gebruik de mening van twee speciaal opgeleide artsen en ATS-richtlijnen om de nauwkeurigheid van het model te bepalen.
• Doel 1b: Gebruik NLP toegepast op ongestructureerde tekst om SA te voorspellen. Bepaal de modelnauwkeurigheid zoals hierboven in Doel 1a.
• Doel 1c: Gebruik een combinatie van ML toegepast op gestructureerde gegevens om SA te voorspellen. Bepaal de modelnauwkeurigheid zoals hierboven in Doel 1a.