Novo estudo mostra o potencial do aprendizado de máquina na identificação precoce de pessoas com artrite inflamatória

Um estudo da Swansea University revelou como o aprendizado de máquina pode ajudar na detecção precoce da artrite inflamatória da Espondilite Anquilosante (EA) e revolucionar a forma como as pessoas são detectadas e diagnosticadas por seus médicos de família.

Publicado na revista de acesso aberto PLOS UMo estudo foi realizado por analistas de dados e pesquisadores do National Center for Population Health & Wellbeing Research (NCPHWR).

A equipe usou métodos de aprendizado de máquina para desenvolver um perfil das características das pessoas com probabilidade de serem diagnosticadas com EA, a segunda causa mais comum de artrite inflamatória.

O aprendizado de máquina, um tipo de inteligência artificial, é um método de análise de dados que automatiza construção de modelo para melhorar o desempenho e a precisão. Seus algoritmos constroem um modelo baseado em dados de amostra para fazer previsões ou decisões sem serem explicitamente programados para isso.

Usando o banco de dados Secure Anonymised Information Linkage (SAIL) baseado na Swansea University Medical School, um repositório de dados nacional que permite a vinculação de dados anônimos baseados em pessoas entre conjuntos de dados, os pacientes com EA foram identificados e combinados com aqueles sem registro de um diagnóstico de condição.

Os dados foram analisados ​​separadamente para homens e mulheres, com um modelo desenvolvido usando seleção de características/variáveis ​​e análise de componentes principais para construir árvores de decisão.

As descobertas revelaram:

• Nos homens, dor na região lombaruveíte (inflamação da camada intermediária do olho) e uso de anti-inflamatórios não esteróides (AINE) antes dos 20 anos estão associados ao desenvolvimento de EA.

• As mulheres mostraram uma idade mais avançada de apresentação dos sintomas em comparação com os homens com dor nas costas e vários medicamentos para alívio da dor.

• Os dados de teste tiveram uma boa taxa de previsão de cerca de 70%-80%; no entanto, ao aplicar o modelo a um população gerala equipe sentiu que vários modelos podem ser necessários para restringir a população ao longo do tempo para melhorar o valor preditivo e reduzir o tempo para diagnosticar a EA.

Dr. Jonathan Kennedy, gerente do laboratório de dados do NCPHWR e líder do estudo, disse: “Nosso estudo indica o enorme potencial que o aprendizado de máquina tem para ajudar a identificar pessoas com AS e entender melhor suas jornadas de diagnóstico através do saúde sistema.”

“A detecção e o diagnóstico precoces são cruciais para garantir os melhores resultados para os pacientes. O aprendizado de máquina pode ajudar nisso. Além disso, pode capacitar os médicos de família, ajudando-os a detectar e encaminhar pacientes de maneira mais eficaz e eficiente”.

“No entanto, o aprendizado de máquina está nos estágios iniciais de implementação. Para desenvolvê-lo, precisamos de dados mais detalhados para melhorar a previsão e a utilidade clínica”.

O professor Ernest Choy, pesquisador do NCPHWR e chefe de reumatologia e pesquisa translacional da Universidade de Cardiff, acrescentou: “Em média, leva oito anos para os pacientes com EA apresentarem sintomas, receberem um diagnóstico e receberem tratamento. O aprendizado de máquina pode fornecer uma ferramenta útil para reduzir esse atraso.”

O professor Kieran Walshe, diretor de pesquisa em saúde e cuidados do País de Gales, acrescentou: “É fantástico ver o papel de ponta que o aprendizado de máquina pode desempenhar na identificação precoce de pacientes com condições de saúde como EA e o trabalho que está sendo realizado no National Center para Pesquisa de Saúde e Bem-Estar da População.”

“Embora esteja em seus estágios iniciais, aprendizado de máquina claramente tem o potencial de transformar a maneira como pesquisadores e médicos abordam a jornada de diagnóstico, trazendo benefícios para os pacientes e seus futuros resultados de saúde.”