Przełom w medycynie! Sztuczna inteligencja ocenia ryzyko złamania kości zanim do niego dojdzie!
Zespół z Uniwersytetu w Göteborgu opracował narzędzie oparte na uczeniu maszynowym, które na podstawie danych ponad 3,5 miliona dorosłych Szwedów przewiduje ryzyko złamania szyjki kości udowej bez konieczności badania pacjenta. Model o nazwie FRACTURE-ML wykrywa niemal siedmiokrotnie więcej osób zagrożonych złamaniem niż obecnie stosowane metody przesiewowe.
Złamania szyjki kości udowej wiążą się u osób starszych ze znaczną niepełnosprawnością, chorobowością i śmiertelnością, jednak dotychczasowe narzędzia do oceny ryzyka wymagają zwykle badania pacjenta, w tym pomiarów takich jak wskaźnik masy ciała czy wywiadu dotyczącego stylu życia, co utrudnia przesiew na dużą skalę. Naukowcy Kristian Axelsson i Mattias Lorentzon z Uniwersytetu w Göteborgu oraz współpracownicy przeanalizowali ogólnokrajowe dane rejestrowe 3 542 647 osób w wieku 50 lat i starszych w Szwecji, obserwując je przez okres do dziesięciu lat. W tym czasie złamania szyjki kości udowej doznało 142 327 uczestników.
Ponad sto tysięcy zmiennych i wynik lepszy niż dotychczasowy przesiew
Wykorzystując ponad 100 tysięcy zmiennych pochodzących z diagnoz, leków, procedur medycznych oraz danych demograficznych i społeczno-ekonomicznych, zespół opracował i przetestował model głębokiego uczenia o nazwie FRACTURE-ML. Po przetestowaniu na danych odrębnej grupy osób, nieuwzględnionej w pierwotnym rozwoju modelu, FRACTURE-ML wykazał dobrą zdolność rozróżniania osób, które doznały złamania, od tych, które go nie doznały, pole pod krzywą (AUC) wyniosło 0,89 przy prognozie na rok naprzód i tylko nieznacznie gorzej, 0,85, przy prognozie na pięć lat naprzód. Uproszczona wersja modelu, wykorzystująca zaledwie 35 zmiennych, działała niemal tak samo dobrze.
W porównaniu z obecnymi metodami przesiewowymi stosowanymi w szwedzkiej praktyce klinicznej, FRACTURE-ML zidentyfikował niemal siedmiokrotnie więcej osób zagrożonych złamaniem w ciągu dwóch lat (czułość 0,84 wobec 0,12), przy jedynie umiarkowanym spadku swoistości (0,79 wobec 0,98).
Ponieważ model opiera się wyłącznie na danych rejestrowych, nie uwzględnia czynników stylu życia, takich jak palenie tytoniu czy spożycie alkoholu, które również mogą wpływać na ryzyko złamań. Autorzy zaznaczają, że konieczna jest jeszcze walidacja narzędzia w innych krajach oraz badania testujące jego wdrożenie w praktyce.
Przesiew bez wizyty u lekarza
– Nasze wyniki pokazują, że możliwe jest przewidywanie ryzyka złamania szyjki kości udowej na poziomie populacyjnym bez bezpośredniego kontaktu z pacjentem. Takie podejście mogłoby pomóc skuteczniej ukierunkować działania profilaktyczne i potencjalnie zmniejszyć liczbę złamań – powiedział główny autor badania, Kristian Axelsson.
Jak wskazuje Mattias Lorentzon, FRACTURE-ML dokładnie identyfikował osoby o wysokim ryzyku złamania, korzystając z rutynowo zbieranych danych zdrowotnych i populacyjnych, bez konieczności osobistej oceny klinicznej. Mogłoby to uczynić przesiew na dużą skalę bardziej efektywnym i pomóc, by opieka profilaktyczna docierała do ludzi, zanim dojdzie do złamania.
Autorzy podkreślają, że złamania szyjki kości udowej mają poważne konsekwencje dla samodzielności, zdrowia i przeżycia, a narzędzie zdolne bezpośrednio z istniejących danych identyfikować osoby wysokiego ryzyka mogłoby wspierać wcześniejszą interwencję. Zwracają też uwagę, że uproszczony model z zaledwie 35 predyktorami działał niemal tak samo dobrze jak znacznie większy model uczenia maszynowego, co sugeruje, że silną skuteczność predykcyjną można osiągnąć za pomocą stosunkowo praktycznego i łatwego do interpretacji narzędzia.
Zdaniem badaczy uczenie maszynowe sprawdziło się bardzo dobrze, ale starannie opracowane tradycyjne modele statystyczne osiągnęły podobną dokładność. Kluczowy postęp może więc dotyczyć w mniejszym stopniu konkretnego algorytmu, a w większym, lepszego wykorzystania kompleksowych, rutynowo zbieranych danych.
Źródło: Uniwersytetu w Göteborgu
Czytaj też: Zagadka opornego, długiego COVID-u rozwiązana? Bakteryjne białko powoduje bliznowacenie płuc!
Grafika tytułowa: Harlie Raethel / Unsplash
