Voorspellende Modellen op Psychosociaal Profiel, Vermoeidheid en Slaapkwaliteit

Fibromyalgie (FM) is een aandoening die wordt gekenmerkt door chronische musculoskeletale pijn, waarvan de pathofysiologie onduidelijk blijft. Bovendien wordt deze stoornis vaak geassocieerd met slaapstoornissen, uitgesproken vermoeidheid, ochtendstijfheid, slechte levenskwaliteit, cognitieve veranderingen (voornamelijk geheugenproblemen) en psychologische stoornissen, waaronder depressie, angst en stress.

FM komt aanzienlijk vaker voor bij vrouwen, met een geschatte vrouw-tot-man ratio van ongeveer 3:1. De prevalentie in de volwassen bevolking wordt geschat op 2-3%, neemt toe met de leeftijd en piekt tussen 45 en 65 jaar. De sociaaleconomische en gezondheidszorglast van deze aandoening is aanzienlijk, aangezien FM wordt geassocieerd met hoge percentages medische consulten, werkloosheid, arbeidsongeschiktheid en de behoefte aan financiële ondersteuning voor invaliditeit.

FM is in verband gebracht met hogere niveaus van negatieve affectie, gedefinieerd als een algemene toestand van leed die aversieve emoties omvat zoals verdriet, angst, woede en schuld. Patiënten met FM vertonen vaak verhoogde niveaus van angst, depressie, pijncatastrofering en stress, die geassocieerd zijn met een verslechtering van symptomen, inclusief cognitieve stoornissen.

In recente jaren zijn machine learning, data mining en kunstmatige intelligentie (AI) technieken met succes toegepast op de ontwikkeling van computerondersteunde diagnose (CAD) systemen voor de identificatie van complexe gezondheidstoestanden, waarbij goede niveaus van nauwkeurigheid en efficiëntie worden bereikt door potentieel betekenisvolle patronen in gezondheidsgerelateerde gegevens te herkennen. Dienovereenkomstig bieden deze technologieën krachtige tools voor multivariabele data-analyse, waardoor modelgebaseerde voorspellingen mogelijk zijn en een duidelijk voordeel bieden bij risicobeoordeling voor een breed scala aan ziekten. Bovendien ondersteunen deze benaderingen niet alleen de ontwikkeling van klinische voorspellende modellen, maar verbeteren ze ook het vermogen van clinici om hun resultaten in de praktijk te interpreteren en toe te passen.

Uitlegbare machine learning-modellen stellen klinische experts in staat om data-gedreven beslissingen te nemen en gepersonaliseerde behandelingen te leveren, terwijl een hoge zorgstandaard wordt gehandhaafd. Deze modellen vallen binnen het veld van uitlegbare kunstmatige intelligentie (XAI), dat tot doel heeft interpreteerbare modellen te ontwikkelen die hoge voorspellende nauwkeurigheid behouden terwijl de transparantie, het begrip en de betrouwbaarheid van modeloutputs worden verbeterd.

Een eerdere publicatie van onze onderzoeksgroep toonde, met behulp van machine learning-modellen, een sterke associatie aan tussen mentale gezondheidsfactoren - met name angst en depressie - en de ernst van fibromyalgie, met een grotere invloed dan de pijnintensiteit zelf. Andere veelvoorkomende symptomen van fibromyalgie, zoals vermoeidheid en slaapkwaliteitsstoornissen, worden door patiënten ook beschouwd als belangrijke bijdragers aan een verminderde levenskwaliteit, vaak als meer impactvol ervaren dan pijn.

Dienovereenkomstig heeft de huidige studie tot doel om voorspellende modellen van fibromyalgie-ernst te ontwikkelen met behulp van machine learning en uitlegbare kunstmatige intelligentie technieken, waarbij vermoeidheid en slaapkwaliteit als nieuwe variabelen in de analyse worden opgenomen.

Het begrijpen van de individuele en gecombineerde relevantie van deze psychosociale componenten bij het bepalen van de klinische status van patiënten kan bijdragen aan verbeterd ziektebeheer en meer gepersonaliseerde behandelstrategieën, wat uiteindelijk de kwaliteit van zorg verbetert.