Prognozowanie chorób zakaźnych w krajach o niskich i średnich dochodach z wykorzystaniem danych z elektronicznej dokumentacji medycznej (DiGi)

Denga to szybko pojawiająca się choroba zakaźna w Azji Południowej i Południowo-Wschodniej. Ostateczne rozpoznanie wymaga badań laboratoryjnych (PCR lub testy antygenowe), które często są niedostępne w miejscach o największej zachorowalności. Prawidłowe identyfikowanie pacjentów z dengą, oraz niewielkiej liczby pacjentów z dengą, u których choroba rozwinie się do postaci ciężkiej, jest ważne dla zapewnienia szybkiego wdrożenia odpowiedniego leczenia.

Istniejące modele wykorzystują kombinację cech klinicznych i laboratoryjnych. Model opracowany i przetestowany na danych od 397 pacjentów przyjętych do Szpitala Chorób Tropikalnych w Bangkoku w latach 2013–2014 wykorzystał modelowanie bayesowskie zmiennych (wątroba i morfologia krwi) oraz objawów klinicznych (w tym gorączka, wybroczyny, krwawienia) do odróżnienia dengi od innych chorób gorączkowych. Wynikowy model osiągnął AUC 0,75, co poprawiło się do 0,8 po uwzględnieniu NS1. Wyniki Sequential Organ Failure (SOFA) lub ich zmodyfikowane wersje wykorzystują dane z parametrów życiowych i badań krwi (wątroba, nerki i hematologia) i są dobrymi wskaźnikami dla osób, które prawdopodobnie umrą. Jednak funkcjonują one gorzej w chorobach o umiarkowanym nasileniu (np. przewidywanie potrzeby przyjęcia na OIOM).

Te podejścia są obiecujące, ale ograniczone przez ograniczoną uogólnialność, wykorzystanie wielu badań krwi i objawów klinicznych. Niskokosztowe, proste narzędzie zdolne do szybkiego diagnozowania dengi i przewidywania ciężkości choroby miałoby dużą wartość w tym regionie. Dzięki nowoczesnym metodom uczenia maszynowego jest to teraz możliwe, a wcześniej zidentyfikowane bariery, takie jak wymóg dużych ilości danych treningowych, można teraz pokonać. Na przykład modele można tworzyć z dużych zbiorów danych, a następnie optymalizować dla mniejszych, różnych zbiorów danych (dane z innych lokalizacji/warunków lub z mniejszą ilością danych wejściowych).

Wcześniej wykazaliśmy, że algorytmy uczenia maszynowego oparte na danych mogą uogólniać w wielu zaufaniach brytyjskiej Narodowej Służby Zdrowia (NHS) (do przewidywania COVID-19). Chociaż początkowo szkolony na danych od ponad 77 000 pacjentów, stworzyliśmy model wymagający jedynie danych z parametrów życiowych i badania krwi przy łóżku, zdolny do przewidywania diagnozy COVID-19 u pacjentów zgłaszających się do brytyjskich szpitali. Wykazaliśmy możliwość adaptacji tego modelu dla kraju o niższym średnim dochodzie (LMIC) przy użyciu danych z dwóch wietnamskich szpitali. Zaadaptowane modele osiągnęły AUROC około 0,75 i AUPRC około 0,89 (podobnie jak w brytyjskich miejscach, gdzie dostępnych było znacznie więcej danych). Wykonanie "uczenia transferowego", w którym mały podzbiór danych z Wielkiej Brytanii został wykorzystany do wsparcia rozwoju modelu w Wietnamie, poprawiło wydajność o 5–10%. Stwierdziliśmy również, że użycie metod statystycznych do radzenia sobie z brakującymi wartościami może dodatkowo poprawić wydajność predykcyjną o 2–5%. Ten model uczenia maszynowego może również funkcjonować jako 'model bazowy' i być dostosowany do nowego zadania, tj. dengi.