Forutsi uønskede utfall ved bruk av maskinlæring av KOLS-pasienter i Hong Kong

Kronisk obstruktiv lungesykdom (KOLS) er en vanlig, forebyggbar og behandlingsbar sykdom som er karakterisert ved vedvarende luftveissymptomer og luftstrømsbegrensning som skyldes luftveis- og/eller alveolære abnormiteter vanligvis forårsaket av betydelig eksponering for skadelige partikler eller gasser og påvirket av verten. faktorer inkludert unormal lungeutvikling. Det ble anslått at 3,2 millioner mennesker døde av KOLS over hele verden i 2015, og det var en økning på 11,6 % sammenlignet med 1990. KOLS er den tredje ledende dødsårsaken globalt i 2019.

I Hong Kong (HK) var prevalensraten av KOLS i den eldre befolkningen i alderen ≥60 år 25,9 % og 12,4 % basert på den spirometriske definisjonen av tvungen ekspirasjonsvolum på 1 s (FEV1)/forsert vitalkapasitet (FVC) <70 % og den nedre normalgrensen for henholdsvis FEV1/FVC.4 Fra vår nylige studie om KOLS-innleggelser på sykehus er det totalt 67 628 KOLS-innleggelser januar 2017 uke 1 til januar 2020 uke 3 (før covid-pandemien) og 11 065 innleggelser fra januar 2020 uke 4 til desember 2020 uke 4 (under covid-pandemien) ). 5 Byrden av KOLS-sykehusinnleggelser er betydelig, og det er viktig å forstå drivkraften bak disse innleggelsene for å utvikle egnede strategier for å løse problemet og forbedre helseresultatene til pasienter som lider av KOLS.

Tidlig reinnleggelse og hyppige innleggelser som følge av KOLS er ofte studerte sykehusutfall på grunn av den høye økonomiske byrden for både individ og stat og høy bruk av offentlige helseressurser. Med bruken av kunstig intelligens (AI) og maskinlæring (ML), har det vært betydelig interesse for bruken av det til medisin. Nyere metaanalyse viste kompatibilitet av disse modellene i å forutsi KOLS-utfall.7 Imidlertid har få studier klart å vise at AI/ML er overlegne tradisjonelle statistiske modelleringsmetoder, AI/ML er tolkbare og kan være klinisk korrelert, og AI/ML kan ha direkte klinisk anvendelse.

Denne studien tar sikte på å utvikle prediktive modeller for pasienter med en KOLS-diagnose ved utskrivelse av en indeksinnleggelse på disse utfallene:

Primært utfall: Tidlig opptak

Sekundære utfall:

1. Hyppig reinnleggelse
2. Sammensatt utfall (tidlig + hyppige reinnleggelser)
3. Dødelighet
4. Longstayers

Levedyktigheten og den påståtte overlegenheten til Machine Learning (ML)-modeller som alternativer til tradisjonelle statistiske læringsmetoder vil bli vurdert. I tillegg vil de beste prediktorene for hvert utfall av interesse bli identifisert for forslag til mulige intervensjoner som vil forbedre resultatene (dvs. redusere tidlig innleggelse, hyppige innleggelser og dødelighet). Kliniske skårer for distribusjon i kliniske omgivelser vil også bli utviklet.