Štúdia využíva strojové učenie na predpovedanie prerušenia liečby porúch užívania opiátov

Výskumníci z Floridskej univerzity vyvinuli systém určený na identifikáciu pacientov s vysokým rizikom prerušenia liečby buprenorfínom kvôli poruche užívania opiátov.

Buprenorfín, liek na predpis schválený FDA, je jedným z troch komerčne dostupných spôsobov liečby porucha užívania opioidov Ukázalo sa, že je účinný pri liečbe bolesti aj závislosti.

V štúdiu publikovaný v denníku Počítače v biológii a medicíneMahmudul Hasan, Ph.D. a jeho výskumný tím zistili, že približne 15 % pacientov nedokončilo klinicky odporúčanú celoročnú liečbu buprenorfínom, zatiaľ čo približne 46 % pacientov ukončilo liečbu v priebehu prvých troch mesiacov. S pomocou umelej inteligencie alebo AI sa tím aj identifikoval vysoko rizikových pacientov a niekoľko faktorov spojených s prerušením liečby.

Hasan, odborný asistent na katedre farmaceutických výsledkov a politiky UF College of Pharmacy so spoločným menovaním na oddelení informačných systémov a riadenia prevádzky na UF Warrington College of Business, uviedol, retrospektívna štúdiaktorá zahŕňala poistencov vo veku 18 až 64 rokov, ktorým bol predpísaný buprenorfín na liečbu poruchy užívania opiátov, ponúka nové poznatky, ktoré možno využiť v boji proti celoštátnej epidémii verejného zdravia, ktorá si v roku 2021 vyžiadala v Spojených štátoch viac ako 80 000 životov.

Štúdia merala medzery 30 dní alebo viac, keď sa predpisy buprenorfínu nevyplnili počas prvého roka liečby. Vybudovaním prediktívnych modelov zameraných na odlišné štádiá liečby – čas začatia liečby, jeden mesiac a tri mesiace po začiatku liečby – Hasanov tím zistil, že takmer 15 % pacientov predčasne ukončilo liečbu. Tím poznamenal, že ide o konzervatívny odhad, pretože niekoľko kritérií vylúčenia pacientov mohlo viesť k nižšej miere prerušenia liečby.

„Vieme, že dodržiavanie plánu liečby buprenorfínom je prospešné. Predčasné prerušenie by mohlo zvýšiť riziko hospitalizácie, predávkovanie drogami a čo je najdôležitejšie, úmrtnosť,“ povedal Hasan.

„Ak dokážeme použiť AI na predpovedanie, ktorí pacienti sú vystavení vyššiemu riziku tohto správania, klinickí lekári sa môžu dostať k hlavnej príčine, robiť informovanejšie rozhodnutia a navrhnúť cielenejšie intervencie pre týchto pacientov.“

Hasanov tím použil rámec na predpovedanie strojového učenia a stratifikáciu rizika, aby pomohol identifikovať vysokorizikových pacientov a určiť, ktoré faktory prispievajú k nedostatočnému dodržiavaniu liečby buprenorfínom.

Rizikové faktory identifikované v tejto štúdii zahŕňajú vek, pohlavie, skoré dodržiavanie liečby, užívanie stimulantov alebo antipsychotík a počet dní zásobovania spojených s prvým predpisom buprenorfínu, ktorý pacient dostane. Štúdia tiež zistila, že život vo vidieckych oblastiach a iné bariéry prístupu k liečbe prispievajú k vyššiemu riziku prerušenia liečby.

„Mladší pacienti sú vystavení vyššiemu riziku predčasného ukončenia liečby, spolu s tými, ktorí v minulosti užívali stimulanty vrátane nikotínu,“ povedal Hasan. „Zistili sme tiež, že pacienti s nižšou adherenciou k buprenorfínu v počiatočnom štádiu liečby sú viac vystavení riziku predčasného ukončenia liečby.“

Hasan povedal, že keď bude technológia vyvinutá v štúdii dostupná pre lekárske strediská po celej krajine, ušetrí to lekárom v prvej línii drahocenný čas a pacientom poskytne lepší prístup k liečba buprenorfínom.

„Lekári primárnej starostlivosti sú už teraz preťažení a prepracovaní a majú obmedzené zdroje. Pomôcť by mohol takýto nástroj, ktorý dokáže spoľahlivo predpovedať, ktorý pacient bude vysoko rizikový,“ povedal Hasan. „V krátkom čase a bez zvýšenia pracovnej záťaže môžu poskytovatelia zdravotnej starostlivosti identifikovať zásahy potrebné pre každého pacienta, čo im umožní čo najlepšie alokovať svoje obmedzené zdroje.“

Hlavným autorom štúdie bol postgraduálny študent UF Jabed Al Faysal.