Прогностические модели на основе психосоциального профиля, утомляемости и качества сна

Фибромиалгия (ФМ) — это состояние, характеризующееся хронической скелетно-мышечной болью, патофизиология которой остается неясной. Кроме того, это расстройство часто связано с нарушениями сна, выраженной усталостью, утренней скованностью, низким качеством жизни, когнитивными изменениями (преимущественно проблемами с памятью) и психологическими нарушениями, включая депрессию, тревогу и стресс.

ФМ значительно чаще встречается у женщин, с оценочным соотношением женщин к мужчинам примерно 3:1. Ее распространенность среди взрослого населения оценивается в 2–3%, увеличиваясь с возрастом и достигая пика между 45 и 65 годами. Социально-экономическое бремя и нагрузка на систему здравоохранения, связанные с этим состоянием, значительны, поскольку ФМ ассоциируется с высоким уровнем обращений за медицинской помощью, безработицей, потерей трудоспособности и необходимостью финансовой поддержки по инвалидности.

ФМ связана с более высоким уровнем негативного аффекта, определяемого как общее состояние дистресса, включающего неприятные эмоции, такие как печаль, страх, гнев и чувство вины. У пациентов с ФМ обычно наблюдаются повышенные уровни тревоги, депрессии, катастрофизации боли и стресса, которые связаны с ухудшением симптомов, включая когнитивные нарушения.

В последние годы методы машинного обучения, интеллектуального анализа данных и искусственного интеллекта (ИИ) успешно применялись для разработки систем компьютерной диагностики (CAD) для выявления сложных состояний здоровья, достигая хороших уровней точности и эффективности за счет распознавания потенциально значимых паттернов в данных, связанных со здоровьем. Соответственно, эти технологии предоставляют мощные инструменты для многомерного анализа данных, позволяя осуществлять прогнозирование на основе моделей и предлагая явное преимущество в оценке риска при широком спектре заболеваний. Кроме того, эти подходы не только поддерживают разработку клинических прогностических моделей, но и повышают способность клиницистов интерпретировать и применять их результаты на практике.

Интерпретируемые модели машинного обучения позволяют клиническим экспертам принимать решения на основе данных и предоставлять персонализированное лечение, сохраняя при этом высокий стандарт медицинской помощи. Эти модели относятся к области интерпретируемого искусственного интеллекта (XAI), которая направлена на разработку интерпретируемых моделей, сохраняющих высокую прогностическую точность, одновременно повышая прозрачность, понимание и надежность результатов модели.

Предыдущая публикация нашей исследовательской группы продемонстрировала с использованием моделей машинного обучения сильную связь между факторами психического здоровья — особенно тревогой и депрессией — и тяжестью фибромиалгии, причем их влияние было больше, чем интенсивность самой боли. Другие распространенные симптомы фибромиалгии, такие как усталость и нарушения качества сна, также рассматриваются пациентами как основные факторы, снижающие качество жизни, часто воспринимаемые как более влиятельные, чем боль.

Соответственно, настоящее исследование направлено на разработку прогностических моделей тяжести фибромиалгии с использованием методов машинного обучения и интерпретируемого искусственного интеллекта, включая усталость и качество сна в качестве новых переменных в анализ.

Понимание индивидуальной и комбинированной значимости этих психосоциальных компонентов в определении клинического состояния пациентов может способствовать улучшению управления заболеванием и более персонализированным стратегиям лечения, что в конечном итоге повысит качество медицинской помощи.