Il modello di apprendimento automatico che utilizza i dati dei pazienti dalle cartelle cliniche elettroniche dimostra la superiorità rispetto al modello tradizionale di regressione della logica.
TEL AVIV, Israele , 23 gennaio 2020 Medial EarlySign (earlysign.com), leader nelle soluzioni basate sull’apprendimento automatico per aiutare nella diagnosi precoce e nella prevenzione di malattie ad alto carico, ha annunciato oggi i risultati di un nuovo studio che valuta l’efficacia del suo modello algoritmico Pre2D-Flag AlgoMarker ™ per identificare le persone ad alto rischio di progressione dal prediabete al diabete.
Lo studio peer-reviewed, Prediction of Progression from Pre-Diabetes to Diabetes: Development and Validation of a Machine Learning Model , pubblicato in Diabetes / Metabolism Research and Reviews, ha valutato la validità del modello di apprendimento automatico di EarlySign per identificare le persone con prediabete a aumento del rischio di progressione annuale verso il diabete tipo 2. Lo studio retrospettivo sui dati è stato condotto in collaborazione con l’Unità per il diabete, il Dipartimento di endocrinologia e metabolismo dell’Università Hadassah Hebrew di Gerusalemme e la divisione medica dei servizi sanitari del Maccabi (MHS).
Il flag Pre2D di EarlySign AlgoMarker è risultato essere costantemente superiore al modello di regressione logistica-alternativa per la previsione del diabete, dimostrando che l’apprendimento automatico può catturare le relazioni sottili e multivariate che i modelli lineari potrebbero non essere in grado di rilevare.
“La crescente prevalenza del diabete è diventata un problema di salute universale con circa il 12% ( $ 727 miliardi ) della spesa sanitaria globale impiegata per affrontare il diabete e le complicanze a valle”, ha affermato Avivit Cahn, MD, Endocrinologo senior presso l’ospedale universitario di Hadassah e autore principale dello studio. “I metodi tradizionali di stratificazione del rischio, basandosi su test di laboratorio e sulla raccolta manuale delle caratteristiche cliniche, tendono ad essere limitati. Un modello di apprendimento automatico, addestrato per predire il prediabete alla progressione del diabete utilizzando cartelle cliniche elettroniche, può ridurre significativamente il carico complessivo del diabete attraverso i primi identificazione e interventi tempestivi forniti specificamente alle popolazioni ad alto rischio, piuttosto che programmi generici destinati a tutti gli individui prediabetici. ”
Il modello Pred2D di EarlySign è stato addestrato sui dati del database THIN (Health Improvement Network), il database di assistenza primaria del Servizio sanitario nazionale del Regno Unito, e validato esternamente sui set di dati canadesi AppleTree e MHS israeliani. Lo studio è stato condotto su una coorte di 852.454 individui con prediabete dal database THIN. Il modello di apprendimento automatico è stato implementato utilizzando 69 variabili, generate da 11 segnali di base. Ha utilizzato le informazioni fino a 10 anni prima della data dell’indice per prevedere il rischio di sviluppare il diabete nell’anno successivo. L’algoritmo ha mostrato previsioni affidabili quando includeva meno dati storici, cioè 3-5 anni ed era anche in grado di prevedere ragionevolmente la progressione del diabete fino a cinque anni.
“Questo studio dimostra la potenziale efficacia dell’incorporazione di modelli di machine learning in grandi sistemi clinici per identificare le persone ad alto rischio con prediabete che trarranno beneficio dalle strategie di intervento precoce”, ha dichiarato il dott. Jeremy Orr , CEO di Medial EarlySign. “La continuità e la versatilità del nostro AlgoMarker Flag Pre2D consente di utilizzarlo in molteplici configurazioni cliniche per facilitare gli interventi dei medici entro un lasso di tempo attuabile e aiutare a ritardare o posticipare l’insorgenza del diabete.”