Prediktiva modeller för psykosocial profil, utmattning och sömnkvalitet

Fibromyalgi (FM) är ett tillstånd som kännetecknas av kronisk muskel- och skelettsmärta, vars patofysiologi fortfarande är oklar. Dessutom är denna störning ofta förknippad med sömnstörningar, uttalad trötthet, morgonstelhet, nedsatt livskvalitet, kognitiva förändringar (främst minnesrelaterade problem) och psykologiska störningar, inklusive depression, ångest och stress.

FM är betydligt vanligare hos kvinnor, med ett uppskattat kvinnlig-till-manlig-förhållande på cirka 3:1. Dess förekomst i den vuxna befolkningen uppskattas till 2-3%, ökar med åldern och når en topp mellan 45 och 65 år. Den socioekonomiska och hälso- och sjukvårdsbördan av detta tillstånd är avsevärd, eftersom FM är förknippad med höga frekvenser av läkarkonsultationer, arbetslöshet, arbetsförsämring och behov av ekonomiskt stöd för funktionshinder.

FM har kopplats till högre nivåer av negativ affekt, definierad som ett allmänt tillstånd av obehag som omfattar aversiva känslor som sorg, rädsla, ilska och skuld. Patienter med FM uppvisar vanligtvis förhöjda nivåer av ångest, depression, smärtkatastrofisering och stress, vilka är förknippade med försämring av symtom, inklusive kognitiva störningar.

Under de senaste åren har maskininlärning, datautvinning och artificiell intelligens (AI)-tekniker framgångsrikt tillämpats för utvecklingen av datorstödd diagnos (CAD)-system för identifiering av komplexa hälsotillstånd, vilket har uppnått goda nivåer av noggrannhet och effektivitet genom att känna igen potentiellt meningsfulla mönster i hälso-relaterade data. Följaktligen erbjuder dessa tekniker kraftfulla verktyg för multivariabel dataanalys, vilket möjliggör modellbaserade förutsägelser och erbjuder en tydlig fördel vid riskbedömning över ett brett spektrum av sjukdomar. Dessutom stöder dessa tillvägagångssätt inte bara utvecklingen av kliniska prediktiva modeller utan förbättrar också klinikers förmåga att tolka och tillämpa deras resultat i praktiken.

Förklarbara maskininlärningsmodeller tillåter kliniska experter att fatta datadrivna beslut och leverera personanpassade behandlingar samtidigt som en hög standard för vård upprätthålls. Dessa modeller faller inom området förklarbar artificiell intelligens (XAI), som syftar till att utveckla tolkningsbara modeller som bevarar hög prediktiv noggrannhet samtidigt som de förbättrar transparens, förståelse och tillförlitlighet hos modellutdata.

En tidigare publikation av vår forskningsgrupp visade, med hjälp av maskininlärningsmodeller, ett starkt samband mellan psykisk hälsa-faktorer – särskilt ångest och depression – och fibromyalgisvårighet, med ett större inflytande än smärtintensitet i sig. Andra vanliga symtom på fibromyalgi, såsom trötthet och sömnkvalitetsstörningar, anses också av patienter vara stora bidragande faktorer till nedsatt livskvalitet, ofta upplevda som mer påverkande än smärta.

Följaktligen syftar denna studie till att utveckla prediktiva modeller av fibromyalgisvårighet med hjälp av maskininlärning och förklarbar artificiell intelligens-teknik, och inkluderar trötthet och sömnkvalitet som nya variabler i analysen.

Att förstå den individuella och kombinerade relevansen av dessa psykosociala komponenter för att bestämma patienters kliniska status kan bidra till förbättrad sjukdomshantering och mer personanpassade behandlingsstrategier, vilket i slutändan förbättrar vårdkvaliteten.