Rizikos skaičiuotuvai naudojami milijonų pacientų ligų rizikai įvertinti, todėl jų tikslumas yra labai svarbus. Tačiau kai nacionaliniai modeliai pritaikomi vietos gyventojams, jie dažnai blogėja, praranda tikslumą ir aiškinamumą.
Tyrėjai iš Brigham and Women's Hospital, Mass General Brigham sveikatos priežiūros sistemos steigėjos, naudojo pažangų mašininį mokymąsi, kad padidintų nacionalinės širdies ir kraujagyslių rizikos skaičiuoklės tikslumą, išsaugant jo aiškinamumą ir originalias rizikos asociacijas.
Jų rezultatai parodė didesnį tikslumą bendrai elektroninių sveikatos įrašų grupėje iš Mass General Brigham ir maždaug vieną iš 10 pacientų perklasifikavo į kitą rizikos kategoriją, kad būtų lengviau priimti tikslesnius gydymo sprendimus. Rezultatai paskelbti m JAMA kardiologija.
„Rizikos skaičiuotuvai yra nepaprastai svarbūs, nes jie yra neatsiejama paslaugų teikėjų ir pacientų pokalbio apie rizikos prevenciją dalis“, – sakė pirmoji autorė Aniket Zinzuwadia, medicinos mokslų daktarė, Brigham ir moterų ligoninės vidaus ligų gydytoja rezidentė.
„Tačiau kartais, taikant šiuos pasaulinius skaičiuotuvus vietinėms populiacijoms, atsiranda kintamumas, būdingas vietovės pobūdžiui, nesvarbu, ar tai būtų skirtingos demografinės charakteristikos, skirtingi gydytojų praktikos modeliai ar skirtingi rizikos veiksniai, todėl norėjome rasti būdą, kaip pritaikyti pagrindinį širdies ir kraujagyslių ligų rizikos modelį vietos gyventojams saugiu būdu, kuris grindžiamas tuo, kas jau daroma.
Amerikos širdies asociacija 2023 m. išleido širdies ir kraujagyslių ligų įvykių rizikos prognozavimo (PREVENT) skaičiuoklę, skirtą 30–79 metų suaugusiems. Šis naujas ir patobulintas įrankis padeda numatyti tikimybę, kad žmogus susirgs širdies priepuoliu, insultu ar širdies nepakankamumu po 10 metų ir po 30 metų.
Nors PREVENT lygtys puikiai įvertino riziką nacionaliniu lygmeniu, mokslininkai norėjo išbandyti, ar jų technika galėtų geriau kalibruoti rizikos vertinimą daugiau vietos gyventojų.
Tyrimo metu mokslininkai naudojo elektroninius sveikatos įrašų duomenis iš 95 326 Mass General Brigham pacientų, kuriems 2007 m. buvo 55 ar vyresni ir kuriems buvo atliktas bent vienas lipidų ar kraujospūdžio matavimas 1997–2006 m. ir bent vienas susidūrimas su ligoninės sistema nuo 2007 m. 2016 m.
Komanda naudojo XGBoost, atvirojo kodo mašininio mokymosi biblioteką, kad perkalibruotų PREVENT lygtis, kartu išsaugant žinomų rizikos veiksnių sąsajas su pirminio modelio rezultatais. Rezultatai parodė didesnį tikslumą ir vieno iš dešimties pacientų perklasifikavimą šioje populiacijoje.
„Teoriškai tai galėtų atstovauti pacientų grupei, kuriai, pavyzdžiui, nebuvo paskirtas gydymas statinais pradiniame modelio taikyme, bet kuriems tai galėjo būti naudinga“, – sakė Zinzuwadia.
Nors reikia daugiau veiksmų, kad šis metodas būtų pritaikytas pacientų priežiūrai, komanda norėtų pamatyti, kaip ji veikia kitų sveikatos priežiūros sistemų vietinėse populiacijose ir galiausiai gydytojai bei tyrėjai naudotų įrankį pasauliniams rizikos modeliams pritaikyti. .
„Pagrindinis iššūkis taikant AI medicinos tyrimams yra užtikrinti, kad mašininio mokymosi modeliai būtų ne tik lankstūs, bet ir skaidrūs, patikimi ir pagrįsti srities žiniomis“, – sakė viena iš vyresniųjų autorių Olga Demler, mokslų daktarė, asocijuotoji biostatistė. Brigham ir moterų ligoninės Prevencinės medicinos skyriuje.
„Mūsų požiūris rodo, kad galima išvengti AI taikomųjų programų „juodosios dėžės“ pobūdžio ir gali pasiūlyti kelią į priekį, kur sudėtingi algoritmai gali išlaikyti savo lankstumą ir užtikrinti jų veikimą.