Новое исследование показывает потенциал машинного обучения для раннего выявления людей с воспалительным артритом

Исследование Университета Суонси показало, как машинное обучение может помочь в раннем выявлении воспалительного артрита при анкилозирующем спондилите (АС) и коренным образом изменить методы выявления и диагностики людей врачами общей практики.

Опубликовано в журнале открытого доступа ПЛОС ОДИНИсследование было проведено аналитиками данных и исследователями из Национального центра исследований здоровья и благополучия населения (NCPHWR).

Команда использовала методы машинного обучения для разработки профиля характеристик людей, у которых, вероятно, будет диагностирован АС, вторая по распространенности причина воспалительного артрита.

Машинное обучение, тип искусственного интеллекта, представляет собой метод анализа данных, который автоматизирует построение моделей для повышения производительности и точности. Его алгоритмы строят модель на основе выборочных данных, чтобы делать прогнозы или принимать решения без явного программирования для этого.

С помощью банка данных безопасной анонимной связи (SAIL), базирующегося в Медицинской школе Университета Суонси, национального хранилища данных, позволяющего анонимно связывать личные данные между наборами данных, пациенты с АС были идентифицированы и сопоставлены с теми, у кого не было записей о диагнозе состояния.

Данные были проанализированы отдельно для мужчин и женщин с помощью модели, разработанной с использованием выбора признаков/переменных и анализа основных компонентов для построения деревьев решений.

Выводы выявили:

• У мужчин боль в пояснице, увеит (воспаление среднего слоя глаза) и прием нестероидных противовоспалительных препаратов (НПВП) в возрасте до 20 лет связаны с развитием АС.

• Женщины показали более старший возраст проявления симптомов по сравнению с мужчинами с болью в спине и несколькими обезболивающими препаратами.

• Тестовые данные имели хороший уровень прогнозирования около 70%-80%; однако при применении модели к общей популяции команда сочла, что может потребоваться несколько моделей, чтобы сузить популяцию с течением времени, чтобы улучшить прогностическую ценность и сократить время диагностики АС.

Доктор Джонатан Кеннеди, менеджер лаборатории данных в NCPHWR и руководитель исследования, сказал: «Наше исследование показывает огромный потенциал машинного обучения для выявления людей с АС и лучшего понимания их диагностических путешествий в системе здравоохранения».

«Раннее обнаружение и диагностика имеют решающее значение для обеспечения наилучших результатов для пациентов. Машинное обучение может помочь в этом. Кроме того, оно может расширить возможности врачей общей практики, помогая им выявлять и направлять пациентов более эффективно и результативно».

«Однако машинное обучение находится на ранних стадиях внедрения. Для его разработки нам нужны более подробные данные для улучшения прогнозирования и клинической пользы».

Профессор Эрнест Чой, научный сотрудник NCPHWR и руководитель отдела ревматологии и трансляционных исследований Кардиффского университета, добавил: «В среднем у пациентов с АС проходит восемь лет от появления симптомов до постановки диагноза и начала лечения. Машинное обучение может стать полезным инструментом. уменьшить эту задержку».

Профессор Киран Уолш, директор отдела исследований здравоохранения Уэльса, добавил: «Это фантастика видеть передовую роль, которую машинное обучение может играть в раннем выявлении пациентов с такими заболеваниями, как АС, и работу, проводимую в Национальном центре. для исследований здоровья и благополучия населения».

«Хотя машинное обучение находится на ранних стадиях, у него явно есть потенциал изменить подход исследователей и клиницистов к диагностическому путешествию, принося пользу пациентам и их будущие результаты для здоровья».