מודלים של למידת מכונה יכולים להודיע באופן מהימן לקלינאים על התקדמות המוגבלות של טרשת נפוצה, על פי מחקר חדש שפורסם השבוע בכתב העת עם גישה פתוחה PLOS בריאות דיגיטלית מאת אדוארד דה ברוואר מ-KU Leuven, בלגיה, ועמיתיו.
טרשת נפוצה (MS) היא מחלה אוטואימונית מתקדמת כרונית המובילה לנכות חמורה לאורך זמן באמצעות דפוס מורכב של התקדמות, התאוששות והישנות. השכיחות העולמית שלו עלתה ביותר מ-30% במהלך העשור האחרון. עם זאת, ישנם מעט כלים שיכולים לחזות את התקדמות הטרשת הנפוצה כדי לעזור לרופאים ולמטופלים לבצע תכנון חיים וקבלת החלטות טיפול.
במחקר החדש, De Brouwer ועמיתיו השתמשו בנתונים על 15,240 מבוגרים עם היסטוריה של לפחות שלוש שנים של טרשת נפוצה, שטופלו ב-146 מרכזי טרשת נפוצה ב-40 מדינות. נעשה שימוש בנתונים על שנתיים מהתקדמות המחלה של כל חולה כדי להכשיר מודלים מתקדמים של למידת מכונה כדי לחזות את ההסתברות להתקדמות המחלה במהלך החודשים והשנים שלאחר מכן. המודלים הוכשרו ותוקפו תוך שימוש בהנחיות קליניות קפדניות, תוך קידום ישימות של המודלים בפרקטיקה הקלינית. בעוד שמודלים בודדים השתנו בביצועים בין תת-קבוצות חולים שונות, למודלים היה שטח ממוצע מתחת לעקומת ROC (ROC-AUC) של 0.71 ± 0.01. המחקר מצא שההיסטוריה של התקדמות המוגבלות מנבאת יותר התקדמות נכות עתידית מאשר היסטוריית טיפול או הישנות.
החוקרים מסכמים כי למודלים שפותחו במחקר יש פוטנציאל לשפר מאוד את התכנון עבור אנשים עם טרשת נפוצה וניתן להעריך אותם במחקר השפעה קלינית.
דה ברואר מוסיף: "באמצעות ההיסטוריה הקלינית של יותר מ-15,000 אנשים עם טרשת נפוצה, אימנו מודל למידת מכונה המסוגל לחזות בצורה מהימנה את ההסתברות להתקדמות מוגבלות בשנתיים הקרובות. המודל משתמש רק במשתנים קליניים שנאספים באופן שגרתי, מה שהופך זה ישים באופן נרחב, השוואת השוואות והאימות החיצוני שלנו תומכים בפוטנציאל העצום של מודלים של למידת מכונה לעזור למטופלים לתכנן את חייהם ולרופאים לייעל אסטרטגיות טיפול."
