Förutsäga negativa resultat med hjälp av maskininlärning av KOL-patienter i Hong Kong

Kronisk obstruktiv lungsjukdom (KOL) är en vanlig, förebyggbar och behandlingsbar sjukdom som kännetecknas av ihållande andningssymtom och luftflödesbegränsningar som beror på luftvägs- och/eller alveolära abnormiteter som vanligtvis orsakas av betydande exponering för skadliga partiklar eller gaser och påverkas av värden. faktorer inklusive onormal lungutveckling. Det uppskattades att 3,2 miljoner människor dog i KOL över hela världen 2015 och det var en ökning med 11,6 % jämfört med 1990. KOL är den tredje vanligaste dödsorsaken globalt 2019.

I Hong Kong (HK) var prevalensen av KOL i den äldre befolkningen i åldern ≥60 år 25,9 % och 12,4 % baserat på den spirometriska definitionen av forcerad utandningsvolym på 1 s (FEV1)/forcerad vitalkapacitet (FVC) <70 % och den nedre normalgränsen för FEV1/FVC respektive.4 Från vår senaste studie om KOL-sjukhusinläggningar finns det totalt 67 628 KOL-inläggningar Jan 2017 Vecka 1 till Jan 2020 Vecka 3 (före covid-pandemin) och 11 065 inläggningar från Jan 2020 Vecka 4 till Dec 2020 Vecka 4 (under covid-pandemin) ). 5 Bördan av KOL-sjukhusinläggningar är betydande och det är viktigt att förstå drivkraften bakom dessa inläggningar för att utveckla lämpliga strategier för att lösa problemet och förbättra hälsoresultaten för patienter som lider av KOL.

Tidig återinläggning och frekventa inläggningar till följd av KOL är vanligt studerade sjukhusresultat på grund av den höga ekonomiska bördan för både individ och stat och den höga användningen av offentliga sjukvårdsresurser. Med tillkomsten av artificiell intelligens (AI) och maskininlärning (ML) har det funnits ett stort intresse för dess tillämpning inom medicin. Nyare metaanalyser visade kompatibilitet mellan dessa modeller för att förutsäga KOL-utfall.7 Få studier har dock lyckats visa att AI/ML är överlägsna traditionella statistiska modelleringsmetoder, AI/ML är tolkningsbara och kan vara kliniskt korrelerade och AI/ML kan ha direkt klinisk tillämpning.

Denna studie syftar till att utveckla prediktiva modeller för patienter med diagnosen KOL vid utskrivning av en indexinläggning på dessa resultat:

Primärt resultat: Tidig antagning

Sekundära resultat:

1. Frekvent återinläggning
2. Sammansatt resultat (tidigt + frekventa återinläggningar)
3. Dödlighet
4. Longstayers

Viabiliteten och den påstådda överlägsenheten hos modeller för maskininlärning (ML) som alternativ till traditionella statistiska inlärningsmetoder kommer att bedömas. Bortsett från det skulle de främsta prediktorerna för varje resultat av intresse identifieras för förslag på möjliga interventioner som kommer att förbättra resultaten (dvs. minska tidig inläggning, frekvent inläggning och dödlighet). Kliniska poäng för användning i klinisk miljö kommer också att utvecklas.