Wykorzystując uczenie maszynowe, badacze opracowali model wspomagania decyzji klinicznych, który może pomóc dostawcom w przewidywaniu diagnozy ropnego zapalenia powiek (HS) i odróżnianiu go od innych chorób skóry imitujących tę chorobę.¹

Według badania opublikowanego w Granice w technologii medycznejmodel może pomóc w szybszym i dokładniejszym rozpoznawaniu HS, potencjalnie zmniejszając opóźnienia diagnostyczne i powiązane koszty dla systemów opieki zdrowotnej.¹ Zaleca się dalszą weryfikację poprzez testy na zewnętrznych zestawach danych i w warunkach klinicznych, w porównaniu z diagnozami dermatologów, w celu udoskonalenia i optymalizacji wydajności modelu.

Rozpoznanie opiera się na kryteriach klinicznych, a wczesne rozpoznanie ma kluczowe znaczenie dla lepszego leczenia.¹ Błędna i niedodiagnozowana diagnoza prowadzi do długotrwałego cierpienia i zwiększonych kosztów opieki zdrowotnej. Uczenie maszynowe jest coraz częściej wykorzystywane do pomocy w rozpoznawaniu chorób, w tym HS. Jego zastosowanie w elektronicznej dokumentacji zdrowotnej i bazach danych dotyczących roszczeń okazało się również skuteczne w identyfikowaniu różnych schorzeń, takich jak depresja, zesztywniające zapalenie stawów kręgosłupa, kardiomiopatia, demencja i wirusowe zapalenie wątroby typu C.

Do szkolenia i testowania modelu uczenia maszynowego badacze wykorzystali zbiory danych z baz danych IBM MarketScan Research Database z lat 2000–2018, a dane z lat 2018 i 2019 wykorzystano do walidacji modeli. Bazy danych zawierały rozstrzygnięte wnioski o zwrot kosztów leczenia i farmaceutyków w przypadku ponad 225 milionów pacjentów objętych planami zdrowotnymi komercyjnymi, Medicare i Medicaid w całych Stanach Zjednoczonych.

Rozważono sześć pojedynczych algorytmów uczenia maszynowego i 2 metody zespołowe, a ostateczny model wybrano na podstawie pomiarów wydajności i konsultacji z dermatologami. Do oceny i wyboru optymalnego modelu wykorzystano wskaźniki wydajności, takie jak pole pod krzywą, czułość, precyzja i dokładność, przy progu precyzji/dokładności wynoszącym 0,7 uznawanym za zadowalający.

Spośród 411 061 pacjentów z HS zidentyfikowanych w okresie od stycznia 2000 r. do marca 2018 r. do badania zakwalifikowano 55 989 pacjentów. Dodatkowo do grupy kontrolnej włączono 278 483 pacjentów z udokumentowanymi ropniami i 1 431 524 pacjentów z udokumentowanym cellulitem.

Główne wyniki wykazały, że wysoce wydajne modele uczenia maszynowego do przewidywania diagnozy HS można zbudować przy użyciu danych dotyczących roszczeń, przy czym najlepsze modele osiągają dokładność diagnostyczną od 65% do 73% i pole pod krzywą od 81% do 82%. Modele przeszkolone w zakresie różnicowania HS od zapalenia tkanki łącznej radziły sobie lepiej niż modele przeszkolone w zakresie ropni, prawdopodobnie ze względu na podobieństwo ropni do zmian HS. Trzy najczęściej zidentyfikowane modele to AdaBoost, LightGBM i MaxVoting, przy czym wiek, płeć i pewne czynniki ryzyka są silnymi cechami predykcyjnymi. Ponadto cechy diagnostyczne i określone diagnozy chorób współistniejących były ważnymi czynnikami predykcyjnymi w różnych algorytmach i kohortach.

Wyniki analizy wrażliwości i walidacji pokazują, że krótsze ramy czasowe wokół daty indeksowania dają porównywalne wskaźniki wydajności do przewidywania HS, co sugeruje, że krótsze okresy danych są wiarygodne przy opracowywaniu modeli w analizach roszczeń. Wyniki walidacji wskazują na stałą skuteczność trzech najlepszych modeli, przewidując występowanie od 64% do 69% pacjentów z prawdziwym HS, przy czym modele 1 i 2 wykazują lepszą wydajność.

Badanie eksploracyjne ujawniło istotne niedodiagnozowanie HS u pacjentów z ropniem lub zapaleniem tkanki łącznej, w zależności od obszaru statystycznego metropolii i zastosowanego modelu. Sugerowało to, że wdrożenie modeli uczenia maszynowego mogłoby pomóc systemom opieki zdrowotnej w identyfikowaniu pacjentów z niezdiagnozowanym HS w celu dalszej oceny i badań.

W badaniu zauważono ograniczenia w możliwości uogólniania, wymagania dotyczące struktury danych w zastosowaniu modelu, potencjalne różnice w algorytmach w populacjach oraz obszary wymagające ulepszenia modelu, takie jak eliminowanie błędów w kodowaniu medycznym i uwzględnianie czynników kontekstowych, takich jak relacje czasowe między twierdzeniami pacjentów.

Bibliografia

1. Kirby J., Kim K., Zivkovic M. i in. Odkrywanie ciężaru błędnej i niedostatecznej diagnozy zapalenia gruczołów potowych: podejście do uczenia maszynowego. Front Med Technol. Opublikowano w Internecie 25 marca 2024 r. doi:10.3389/fmedt.2024.1200400
2. Garg A, Kirby JS, Lavian J, Lin G, Strunk A. Analiza populacji skorygowana o płeć i wiek, dotycząca szacunków częstości występowania ropnego zapalenia gruczołów potowych w Stanach Zjednoczonych. JAMA Dermatol. 2017;153(8):760-764. doi:10.1001/jamadermatol.2017.0201

[This article was originally published by our sister publication, American Journal of Managed Care.]