Individuell förutsägelse av migränattacker med hjälp av en mobilapp och Fitbit (Migraine Alert)

Att eliminera migränanfall innan de börjar är av enorm betydelse för migränpatienter. Men att räkna ut början på en attack innan den faktiskt börjar är fortfarande en stor utmaning för det medicinska samfundet.

Den utbredda användningen av mobila smartphones, tillgången på bärbara enheter som mäter hälsoinformation och framsteg inom multivariat mönsteranalys via maskininlärningsalgoritmer möjliggör utveckling av individuella prediktiva modeller som kan avgöra sannolikheten för att en enskild patient utvecklar migrän en viss dag . Sådana modeller är baserade på objektivt uppmätta biometriska parametrar (t.ex. aktivitet, sömn), objektivt uppmätta miljöförhållanden (t.ex. väderparametrar), exponeringar för möjliga migräntriggers och patientrapporterade symtom. Med hjälp av maskinlärande algoritmer för att utforska denna stora datamängd som samlas in för varje patient, bestäms den optimala kombinationen av faktorer som mest exakt förutsäger sannolikheten för en migränattack.

Förutsägelser om individuella migränattacker skulle ha betydande positiva effekter för patienter med migrän. En exakt förutsägelse av ett migränattack skulle ge migränpatienten en större känsla av kontroll över sitt tillstånd, en känsla av kontroll som ofta saknas hos patienter med migrän. Viktigast av allt, om individuella migränattacker kunde förutsägas med hög noggrannhet, skulle behandling av den oundvikliga migränattacken före utveckling av symtom kunna förhindra attacken helt och hållet.

Berättigade försökspersoner kommer att gå in i en baslinjefas under vilken försökspersonerna kommer att bära en Fitbit-enhet och registrera data i den dagliga huvudvärksdagboken med mobilappen. Denna fas kommer att vara av varierande varaktighet för varje ämne upp till högst 75 dagar. Det är under baslinjefasen som den individualiserade prediktiva modellen för en migränattack utvecklas och optimeras.

Under den andra fasen (75 dagar) kommer noggrannheten hos den prediktiva modellen att testas. Sannolikheten för att utveckla migrän kommer att beräknas och noggrannheten av förutsägelsen kommer att testas mot patientens rapporterade förekomst av migränattacker i mobiltelefonappen. Försökspersoner kommer att bli blinda för appens migränattackförutsägelser för att undvika förväntningar.

Migränförutsägelser lider av "dimensionalitetens förbannelse" (maskininlärningsspråk). Alltför många faktorer påverkar utfallen, men utfallen (positiva migränattacker) är få och långt emellan. Att utveckla en exakt maskininlärningsmodell med traditionella metoder kräver en lång och opraktisk tidsperiod. Migraine Alert har effektivt åtgärdat dessa med hjälp av egenutvecklade algoritmer och tekniker som genererar individuella modeller med färre migrän. Kovariatanalys utförs för varje individ med hjälp av funktioner härledda från rådata. Enskilda modeller kan skilja sig från varandra i den specifika egenskap de använder och/eller vikten som tillmäts dem i modellen. Proprietära tekniker används för att skapa dessa individuella modeller och för att övervaka deras pre- och post-valideringsprecision och återkallelse. Begreppsdrift som bevisas av eventuell försämring i noggrannhet eller återkallelse övervakas i prediktionsfasen och modellen tränas om vid behov.