EN | RU
EN | RU

Поддержка Медзнат

Назад

Машинное обучение дает надежду на раннее выявление первичных иммунодефицитов

иммунодефициты иммунодефициты
иммунодефициты иммунодефициты

ЧТО НОВОГО?

Использование иновационной прогностической модели на основе клинических данных может помочь облегчить раннее выявление лиц с первичными иммунодефицитами путем анализа их симптоматического лечения в анамнезе.

Результаты недавнего исследования подтверждают необходимость использования показателей, связанных с лечением предшествующих симптомов, для создания прогностической модели для раннего выявления первичных иммунодефицитов (ПИД). ПИД охватывают целый ряд связанных с иммунитетом заболеваний, и на данный момент среднее время до постановки диагноза часто составляет от 6 до 9 лет. Выявление и лечение ПИД на более ранней стадии связано с более благоприятными исходами для пациентов.

Цель этого исследования состояла в создании модели машинного обучения, использующей данные электронных медицинских карт, в которой особое внимание уделялось бы предшествующему симптоматическому лечению для прогнозирования наличия ПИД.

Исследователи провели ретроспективный анализ пациентов с ПИД на основе критериев включения, в которых учитывались диагнозы, связанные с ПИД, лекарственные препараты, специфичные для иммунодефицита, и низкие уровни иммуноглобулинов. Также была создана контрольная группа пациентов с бронхиальной астмой, сопоставимая по возрасту, полу и расовой принадлежности. Основная цель состояла в выявлении диагнозов ПИД.

В качестве признаков использовали различные факторы, включая сопутствующие заболевания, результаты лабораторных исследований, лекарственные препараты и назначенные рентгенологические исследования. Все эти признаки исследовали в течение периода до постановки официального диагноза и назначения симптоматического лечения. Эти признаки систематически применяли с классификаторами на основе ансамбля решающих деревьев, гибкой сетью и логистической регрессией. Эти модели были обучены с помощью стратегии вложенной перекрестной валидации для повышения их эффективности. В когорту исследования вошли 6422 пациента, из них 247 (4 %) был поставлен диагноз ПИД.

При рассмотрении только сопутствующих заболеваний была установлена выраженная способность модели логистической регрессии различать пациентов с ПИД и пациентов с бронхиальной астмой (С-индекс: 0,62 (0,58–0,65)). Однако включение дополнительных данных, таких как результаты лабораторных исследований, лекарственные препараты и назначенные рентгенологические исследования, значительно улучшило дискриминацию
(С-индекс: 0,70 по сравнению с 0,62), а также повысило специфичность и чувствительность. Применение более совершенных моделей машинного обучения не привело к дальнейшему улучшению эффективности.

Таким образом, исследователи успешно разработали прогностическую модель ранней диагностики ПИД, используя данные анамнеза, связанные с симптоматическим лечением. Внедрение этого подхода потенциально может удовлетворить насущную потребность за счет сокращения времени, необходимого для диагностики ПИД, что в конечном итоге приведет к улучшению прогноза и исходов пациентов с иммунодефицитами.

Эта модель может представлять собой решающий начальный этап в создании системы предупреждающих сигналов в электронных медицинских картах для медицинских работников, побуждающих их предположить наличие ПИД. Это, в свою очередь, может ускорить назначение заместительной терапии иммуноглобулинами, потенциально сводя к минимуму вероятность смертности и заболеваемости.

Источник:

The Journal of Allergy and Clinical Immunology: In Practice

Публикация:

Early Diagnosis of Primary Immunodeficiency Disease Using Clinical Data and Machine Learning

Авторы:

Anoop Mayampurath и соавт.

Комментарии (0)

Рекомендации

Вы хотите удалить этот комментарий? Пожалуйста, укажите комментарий Неверное текстовое содержимое Текст не может превышать 1000 символов Что-то пошло не так Отменить Подтвердить Подтвердить удаление Скрыть ответы Вид Ответы Смотреть ответы en ru ua
Попробуйте поиск по словам: