Modele predykcyjne dotyczące profilu psychospołecznego, zmęczenia i jakości snu

Fibromialgia (FM) to schorzenie charakteryzujące się przewlekłym bólem mięśniowo-szkieletowym, którego patofizjologia pozostaje niejasna. Ponadto, zaburzenie to często wiąże się z zaburzeniami snu, wyraźnym zmęczeniem, poranną sztywnością, niską jakością życia, zmianami poznawczymi (głównie problemami z pamięcią) oraz zaburzeniami psychicznymi, w tym depresją, lękiem i stresem.

FM występuje znacznie częściej u kobiet, z szacunkowym stosunkiem kobiet do mężczyzn wynoszącym około 3:1. Jej rozpowszechnienie w populacji dorosłych szacuje się na 2-3%, wzrastając wraz z wiekiem i osiągając szczyt między 45 a 65 rokiem życia. Obciążenie społeczno-ekonomiczne i opiekuńcze związane z tym schorzeniem jest znaczne, ponieważ FM wiąże się z wysokimi wskaźnikami konsultacji medycznych, bezrobocia, niezdolności do pracy oraz potrzebą finansowego wsparcia z tytułu niepełnosprawności.

FM została powiązana z wyższym poziomem negatywnego afektu, zdefiniowanego jako ogólny stan dystresu obejmujący nieprzyjemne emocje, takie jak smutek, strach, gniew i poczucie winy. U pacjentów z FM często obserwuje się podwyższony poziom lęku, depresji, katastrofizowania bólu i stresu, co wiąże się z nasileniem objawów, w tym zaburzeń poznawczych.

W ostatnich latach techniki uczenia maszynowego, eksploracji danych i sztucznej inteligencji (AI) zostały z powodzeniem zastosowane w rozwoju systemów wspomagania diagnostyki komputerowej (CAD) do identyfikacji złożonych stanów zdrowotnych, osiągając dobre poziomy dokładności i efektywności poprzez rozpoznawanie potencjalnie znaczących wzorców w danych związanych ze zdrowiem. W związku z tym technologie te zapewniają potężne narzędzia do analizy danych wielozmiennych, umożliwiając predykcje oparte na modelach i oferując wyraźną przewagę w ocenie ryzyka w szerokim zakresie chorób. Ponadto, podejścia te nie tylko wspierają rozwój klinicznych modeli predykcyjnych, ale także zwiększają zdolność klinicystów do interpretacji i stosowania ich wyników w praktyce.

Wyjaśnialne modele uczenia maszynowego pozwalają ekspertom klinicznym podejmować decyzje oparte na danych i dostarczać spersonalizowane terapie, jednocześnie utrzymując wysoki standard opieki. Modele te mieszczą się w dziedzinie wyjaśnialnej sztucznej inteligencji (XAI), której celem jest rozwój interpretowalnych modeli zachowujących wysoką dokładność predykcyjną, jednocześnie poprawiając przejrzystość, zrozumienie i wiarygodność wyników modeli.

Wcześniejsza publikacja naszej grupy badawczej wykazała, przy użyciu modeli uczenia maszynowego, silny związek między czynnikami zdrowia psychicznego – w szczególności lękiem i depresją – a nasileniem fibromialgii, z większym wpływem niż sama intensywność bólu. Inne powszechne objawy fibromialgii, takie jak zmęczenie i zaburzenia jakości snu, są również przez pacjentów uważane za główne czynniki przyczyniające się do obniżenia jakości życia, często postrzegane jako bardziej wpływowe niż ból.

W związku z tym, niniejsze badanie ma na celu opracowanie modeli predykcyjnych nasilenia fibromialgii przy użyciu technik uczenia maszynowego i wyjaśnialnej sztucznej inteligencji, uwzględniając zmęczenie i jakość snu jako nowe zmienne w analizie.

Zrozumienie indywidualnego i łącznego znaczenia tych komponentów psychospołecznych w określaniu stanu klinicznego pacjentów może przyczynić się do poprawy zarządzania chorobą i bardziej spersonalizowanych strategii leczenia, ostatecznie podnosząc jakość opieki.