Prediktive modeller på psykososial profil, tretthet og søvnkvalitet

Fibromyalgi (FM) er en tilstand preget av kronisk muskelskjelettsmerte, hvor patofysiologien fortsatt er uklar. I tillegg er denne lidelsen ofte assosiert med søvnforstyrrelser, uttalt tretthet, morgenstivhet, dårlig livskvalitet, kognitive endringer (primært hukommelsesrelaterte problemer) og psykiske forstyrrelser, inkludert depresjon, angst og stress.

FM er betydelig mer utbredt hos kvinner, med et estimert kvinnelig-til-mannlig forhold på omtrent 3:1. Forekomsten i den voksne befolkningen anslås til 2-3 %, og øker med alderen og når toppunktet mellom 45 og 65 år. Den sosioøkonomiske og helsetjenestebyrden for denne tilstanden er betydelig, da FM er assosiert med høye rater for legekonsultasjoner, arbeidsledighet, arbeidsuførhet og behov for økonomisk støtte knyttet til uførhet.

FM har vært knyttet til høyere nivåer av negativ affekt, definert som en generell tilstand av nød som omfatter aversive følelser som tristhet, frykt, sinne og skyldfølelse. Pasienter med FM viser ofte forhøyede nivåer av angst, depresjon, smertekatastrofisering og stress, som er assosiert med forverring av symptomer, inkludert kognitive funksjonsnedsettelser.

I de siste årene har maskinlæring, datamining og kunstig intelligens (AI)-teknikker blitt brukt med hell i utviklingen av datastøttede diagnostisering (CAD)-systemer for identifisering av komplekse helsetilstander, og oppnådd gode nivåer av nøyaktighet og effektivitet ved å gjenkjenne potensielt meningsfulle mønstre i helserelaterte data. Følgelig tilbyr disse teknologiene kraftige verktøy for multivariat dataanalyse, som muliggjør modellbaserte prediksjoner og gir en klar fordel i risikovurdering over et bredt spekter av sykdommer. I tillegg støtter disse tilnærmingene ikke bare utviklingen av kliniske prediktive modeller, men forbedrer også klinikernes evne til å tolke og anvende resultatene i praksis.

Forklarbare maskinlæringsmodeller lar kliniske eksperter ta datadrevne beslutninger og tilby personaliserte behandlinger samtidig som en høy standard for omsorg opprettholdes. Disse modellene faller innenfor feltet forklarbar kunstig intelligens (XAI), som tar sikte på å utvikle tolkbare modeller som bevarer høy prediktiv nøyaktighet samtidig som de forbedrer gjennomsiktigheten, forståelsen og påliteligheten til modellutdataene.

En tidligere publikasjon fra vår forskningsgruppe viste, ved bruk av maskinlæringsmodeller, en sterk sammenheng mellom psykiske helsefaktorer – spesielt angst og depresjon – og fibromyalgis alvorlighetsgrad, med en større innflytelse enn smerteintensiteten i seg selv. Andre utbredte symptomer på fibromyalgi, som tretthet og søvnkvalitetsforstyrrelser, anses også av pasienter som viktige bidragsytere til redusert livskvalitet, ofte oppfattet som mer innflytelsesrike enn smerte.

Følgelig tar denne studien sikte på å utvikle prediktive modeller for fibromyalgis alvorlighetsgrad ved bruk av maskinlæring og forklarbar kunstig intelligens-teknikker, og inkluderer tretthet og søvnkvalitet som nye variabler i analysen.

Å forstå den individuelle og kombinerte relevansen av disse psykososiale komponentene for å bestemme pasientenes kliniske status kan bidra til forbedret sykdomsbehandling og mer personaliserte behandlingsstrategier, og til slutt forbedre kvaliteten på omsorgen.