Przewidywanie działań niepożądanych przy użyciu uczenia maszynowego pacjentów z POChP w Hongkongu

Przewlekła obturacyjna choroba płuc (POChP) jest powszechną chorobą, której można zapobiegać i leczyć, charakteryzującą się utrzymującymi się objawami ze strony układu oddechowego i ograniczeniem przepływu powietrza przez drogi oddechowe, które jest spowodowane nieprawidłowościami w drogach oddechowych i/lub pęcherzykami płucnymi, zwykle powodowanymi przez znaczną ekspozycję na szkodliwe cząsteczki lub gazy i pod wpływem działania gospodarza. czynniki, w tym nieprawidłowy rozwój płuc. Szacuje się, że w 2015 roku na całym świecie z powodu POChP zmarło 3,2 miliona ludzi, co stanowi wzrost o 11,6% w porównaniu z rokiem 1990. POChP jest trzecią najczęstszą przyczyną zgonów na świecie w 2019 roku.

W Hongkongu (HK) częstość występowania POChP w populacji osób starszych w wieku ≥60 lat wyniosła 25,9% i 12,4% na podstawie spirometrycznej definicji stosunku natężonej objętości wydechowej w ciągu 1 s (FEV1) do natężonej pojemności życiowej (FVC) <70 % i dolną granicę normy odpowiednio FEV1/FVC.4 Z naszego ostatniego badania dotyczącego przyjęć do szpitali z POChP wynika łącznie 67 628 przyjęć z powodu POChP w okresie od 1 stycznia 2017 r. do 3 tygodnia stycznia 2020 r. (przed pandemią COVID) i 11 065 przyjęć od 4. stycznia 2020 r. do 4. tygodnia grudnia 2020 r. ). 5 Obciążenie hospitalizacjami związanymi z POChP jest znaczne i ważne jest zrozumienie przyczyn tych przyjęć, aby opracować odpowiednie strategie rozwiązania problemu i poprawy wyników zdrowotnych pacjentów cierpiących na POChP.

Wczesna ponowna hospitalizacja i częste hospitalizacje z powodu POChP są często badanymi wynikami szpitalnymi ze względu na duże obciążenie finansowe zarówno dla jednostki, jak i państwa oraz wysokie wykorzystanie zasobów publicznej opieki zdrowotnej. Wraz z pojawieniem się sztucznej inteligencji (AI) i uczenia maszynowego (ML) wzrosło duże zainteresowanie jej zastosowaniem w medycynie. Niedawna metaanaliza wykazała zgodność tych modeli w przewidywaniu wyników POChP.7 Jednak w niewielu badaniach udało się wykazać, że AI/ML przewyższa tradycyjne metody modelowania statystycznego, AI/ML można interpretować i można je klinicznie skorelować, a AI/ML może mieć bezpośrednie zastosowanie kliniczne.

Niniejsze badanie ma na celu opracowanie modeli predykcyjnych dla pacjentów z rozpoznaniem POChP przy wypisie z indeksu na podstawie następujących wyników:

Główny wynik: wczesne przyjęcie

Wyniki drugorzędne:

1. Częste ponowne przyjęcie
2. Złożony wynik (wczesne + częste ponowne przyjęcie)
3. Śmiertelność
4. Długoterminowi

Oceniona zostanie żywotność i rzekoma wyższość modeli uczenia maszynowego (ML) jako alternatywy dla tradycyjnych metod statystycznego uczenia się. Oprócz tego zostaną zidentyfikowane główne predyktory każdego wyniku będącego przedmiotem zainteresowania w celu uzyskania sugestii możliwych interwencji, które poprawią wyniki (tj. zmniejszyć liczbę wczesnych przyjęć, częstość przyjęć i śmiertelność). Opracowane zostaną również oceny kliniczne do zastosowania w warunkach klinicznych.