מחשבוני סיכונים משמשים להערכת הסיכון למחלה עבור מיליוני חולים, מה שהופך את הדיוק שלהם למכריע. אבל כאשר מודלים לאומיים מותאמים לאוכלוסיות מקומיות, הם לעתים קרובות מתדרדרים, ומאבדים את הדיוק והפרשנות. חוקרים מבית החולים Brigham and Women's, חברה מייסדת של מערכת הבריאות Mass General Brigham, השתמשו בלמידת מכונה מתקדמת כדי להגביר את הדיוק של מחשבון סיכון קרדיווסקולרי לאומי תוך שמירה על הפרשנות שלו וקשר הסיכון המקורי שלו. התוצאות שלהם הראו דיוק גבוה יותר בסך הכל בקבוצת רשומות בריאות אלקטרוניות מ-Mas General Brigham וסיווגו מחדש בערך אחד מכל עשרה מטופלים לקטגוריית סיכון אחרת כדי להקל על החלטות טיפול מדויקות יותר. התוצאות מתפרסמות ב-JAMA Cardiology.
"מחשבוני סיכונים חשובים להפליא מכיוון שהם חלק בלתי נפרד מהשיחה בין הספקים למטופלים על מניעת סיכונים", אמרה הסופרת הראשונה אניקט זינצואדיה, MD, רופאה רופאה פנימית בבית החולים בריגהם ובית החולים לנשים. "אבל לפעמים, כאשר מיישמים מחשבונים גלובליים אלה על אוכלוסיות מקומיות, יש שונות הטבועה באופי של אזור – בין אם זה מאפיינים דמוגרפיים שונים, דפוסי תרגול שונים של רופאים או גורמי סיכון שונים – אז רצינו למצוא דרך להתאים אישית מודל הסיכון הבסיסי למחלות לב וכלי דם לאוכלוסיות מקומיות בצורה בטוחה שמתבססת על מה שכבר נעשה".
איגוד הלב האמריקני פרסם בשנת 2023 את מחשבון Predicting Risk of Cardiovascular Disease Events (PREVENT) עבור מבוגרים בגילאי 30-79. כלי חדש ומשופר זה עוזר לחזות את הסבירות שאדם יפתח התקף לב, שבץ או אי ספיקת לב תוך 10 שנים ובעוד 30 שנה. בעוד שמשוואות PREVENT הצליחו להעריך סיכון ברמה לאומית, החוקרים רצו לבדוק אם הטכניקה שלהם יכולה לכייל טוב יותר את הערכת הסיכון עבור אוכלוסיות מקומיות יותר.
במחקר, החוקרים השתמשו בנתוני רשומות רפואיות אלקטרוניות של 95,326 חולי מאס גנרל בריגהם שהיו בני 55 ומעלה בשנת 2007 ואשר עברו מדידת שומנים או לחץ דם לפחות בין 1997-2006 ולפחות מפגש אחד עם מערכת החולים בין 2007- 2016. הצוות השתמש ב-XGBoost, ספריית למידת מכונה בקוד פתוח, כדי לכייל מחדש את המשוואות של PREVENT תוך שמירה על הקשרים של גורמי סיכון ידועים עם התוצאות שנצפו במודל המקורי. התוצאות הראו דיוק רב יותר וסיווג מחדש של אחד מכל עשרה חולים באוכלוסייה זו.
זה יכול לייצג תיאורטית קבוצה של חולים שאולי לא נרשמו להם טיפולי סטטינים ביישום המקורי של המודל, למשל, אבל שאולי היו מרוויחים מהם".
אניקט זינצואדיה, MD, רופאה בבית החולים בריגהם ובית החולים לנשים
בעוד שנדרשים עוד שלבים לפני שניתן יהיה ליישם את הטכניקה הזו לטיפול בחולים, הצוות היה רוצה לראות כיצד היא מתפקדת באוכלוסיות המקומיות של מערכות בריאות אחרות, ובסופו של דבר, לרופאים ולחוקרים להשתמש בכלי כדי להתאים מודלים של סיכון גלובלי.
"אתגר מרכזי ביישום בינה מלאכותית על מחקר רפואי הוא להבטיח שמודלים של למידת מכונה יהיו לא רק גמישים, אלא גם שקופים, אמינים ומבוססים בידע בתחום", אמרה סופרת בכירה אולגה דמלר, PhD, ביוסטטיסטיקאית עמית ב-Brigham and האגף לרפואה מונעת בבית החולים לנשים. "הגישה שלנו מראה שאפשר להימנע מאופי 'הקופסה השחורה' של יישומי בינה מלאכותית ועשויה להציע דרך קדימה שבה אלגוריתמים מתוחכמים יכולים לשמור על הגמישות שלהם תוך הבטחות לביצועים שלהם."
מחבר: מחברים נוספים כוללים את אולגה מיניבה, צ'וניינג לי, זארין פארוקי, פרנקו ג'וליאניני, בריאן קייד, לין צ'ן, אליזבת קרלסון, נינה פיינטר וסמיה מורה.
גילויים: סמיה מורה שימשה כיועצת של פייזר לעבודה מחוץ למחקר הנוכחי. אולגה דמלר ונינה פינטר קיבלו מימון ממכון המחקר קובה עבור עבודה שאינה קשורה למחקר הנוכחי. אניקת זינצואדיה שימשה כעובדת של Heartbeat Health לעבודה מחוץ למחקר הנוכחי.
מימון: החוקרים נתמכו על ידי המכון הלאומי ללב, ריאות ודם (K24 HL136852, R21 HL156174, R21HL167173, K01HL135342 ו-R21125962), איגוד הלב האמריקני (17IGMV33860009), המכון הטכנולוגי של ציריך (Switzerland Federal of Technology, Switzerland). Dataspectrum4CVD מ-Swiss Data Science Center/Personalized Health & Related Technologies, ציריך, שוויץ, והמכון הלאומי לחקר הגנום האנושי (U01HG008685).
