Algorytm ustalania priorytetów w diagnostyce marskości wątroby oparty na elektronicznej dokumentacji medycznej.

W tym badaniu badacze wykorzystują nowoczesne możliwości uczenia maszynowego w dziedzinie hepatologii do opracowania modelu, który może identyfikować osoby z wysokim ryzykiem progresji do marskości wątroby na wczesnym i możliwym do leczenia etapie.

Marskość wątroby to zaawansowany stan choroby wątroby, który zwykle objawia się, gdy wątroba jest już poważnie uszkodzona, bez wielu możliwości leczenia i ponurych rokowań.

Obecnie istnieją 2 sposoby diagnozowania, pierwszy to biopsja wątroby, która jest kosztowna i zadaje pacjentom ból oraz wiąże się z własnym ryzykiem. Drugi to wyznaczony test obrazowania, taki jak Fibroscan, który jest bezpieczny i bezbolesny, ale także zbyt kosztowny, niż może być wykonany jako szerokie narzędzie przesiewowe.

Wyniki, które obliczają większe prawdopodobieństwo wystąpienia choroby wątroby, zostały już opracowane, ale mają niższą siłę predykcyjną niż wystarczająca do uzasadnienia dalszych badań w kierunku wykrycia.

Badanie składa się z 4 odrębnych faz:

1. Rozwój modelu. Model uczenia maszynowego przewidujący czas do wystąpienia zdarzenia w celu rozpoznania marskości wątroby zostanie opracowany w oparciu o elektroniczną dokumentację medyczną. Zapisy są anonimizowane, a cała praca odbywa się na wyznaczonym serwerze.

2. Uzyskane zostaną anonimowe wyniki testów laboratoryjnych i diagnozy z elektronicznej dokumentacji medycznej z północnego okręgu opieki zdrowotnej Clalit. Na tych zapisach wyszkolony model z fazy 1 będzie działał w celu przewidywania czasu do wystąpienia zdarzenia w celu rozpoznania marskości wątroby. Za pomocą prognoz jednostki zostaną uporządkowane według ryzyka.

   Za pomocą zdeanonimizowanych rejestrów, dostępnych tylko dla klinicystów, zostanie poddanych obserwacji 20 osób najwyższego ryzyka. Obejmuje to mierzenie najnowszych wyników FIB-4, przeglądanie wcześniejszych diagnoz i testów, a także informacje tekstowe od lekarzy. Osoby te nie są zapraszane na wizytę i są przeglądane jedynie retrospektywnie poprzez ich akta.

3. Po wynikach z fazy 2 model uczenia maszynowego z fazy 1 zostanie zmieniony. Obejmuje to możliwe zmiany, takie jak rewizje kryteriów włączenia/wyłączenia, zmiany testów laboratoryjnych podanych jako dane wejściowe do modelu itp.
4. Podobnie jak w fazie 2, uzyskana zostanie zaktualizowana anonimowa elektroniczna dokumentacja medyczna z północnego okręgu opieki zdrowotnej Clalit. Zaktualizowany model z fazy 3 będzie działał w celu przewidywania czasu do wystąpienia zdarzenia w celu rozpoznania marskości wątroby. Ponadto wszystkim osobom zostanie obliczony wynik FIB-4. Skonstruowana zostanie lista rankingowa najlepszych osób z najwyższym przewidywanym ryzykiem przewidywanym przez model z fazy 3 oraz najlepszych osób z najwyższym wynikiem FIB-4. Około jedna czwarta osób będzie pochodzić z grupy punktowej FIB-4, której wiek i płeć będą dopasowane do grupy predykcyjnej. Tożsamość grupy pozostanie nieznana klinicystom, utrzymując podwójnie ślepą próbę. Osoby będą zapraszane do przychodni na badania kontrolne. W klinice osoby zostaną poddane Fibroscanowi, zmierzą wzrost i wagę, odpowiedzą na kwestionariusz testu identyfikacji zaburzeń związanych z używaniem alkoholu (AUDIT) WHO. Ponadto ich akta w ramach elektronicznej dokumentacji medycznej będą otwarte, a istniejące diagnozy, testy laboratoryjne i recepty na leki będą gromadzone.