Согласно исследованию, опубликованному в журнале открытого доступа PLOS Digital Health Эдвардом Де Брауэром из Лёвенского католического университета (Бельгия) и его коллегами, модели машинного обучения могут надежно информировать врачей о прогрессировании инвалидности при рассеянном склерозе.

Рассеянный склероз (РС) — хроническое прогрессирующее аутоиммунное заболевание, которое со временем приводит к тяжелой инвалидности через сложную схему прогрессирования, восстановления и рецидива. Его глобальная распространенность увеличилась более чем на 30% за последнее десятилетие. Тем не менее, существует мало инструментов, которые могут предсказать прогрессирование РС, чтобы помочь врачам и пациентам планировать жизнь и принимать решения о лечении.

В новом исследовании Де Брауэр и его коллеги использовали данные 15 240 взрослых, страдающих рассеянным склерозом не менее трех лет и проходивших лечение в 146 центрах по лечению рассеянного склероза в 40 странах.

Данные о двух годах прогрессирования заболевания каждого пациента использовались для обучения современных моделей машинного обучения для прогнозирования вероятности прогрессирования заболевания в последующие месяцы и годы. Модели обучались и проверялись с использованием строгих клинических рекомендаций, что способствовало применимости моделей в клинической практике .

Хотя отдельные модели различались по эффективности в разных подгруппах пациентов, модели имели среднюю площадь под ROC-кривой (ROC-AUC) 0,71 ± 0,01. Исследование показало, что история прогрессирования инвалидности была более предсказательной для будущего прогрессирования инвалидности, чем история лечения или рецидива.

Авторы приходят к выводу, что модели, разработанные в ходе исследования, потенциально могут значительно улучшить планирование для лиц с рассеянным склерозом и могут быть оценены в ходе клинического исследования.

Де Брауэр добавляет: «Используя истории болезни более 15 000 человек с рассеянным склерозом, мы обучили модель машинного обучения , способную надежно предсказывать вероятность прогрессирования инвалидности в течение следующих двух лет. Модель использует только регулярно собираемые клинические переменные, что делает ее широко применимой».

«Наш строгий сравнительный анализ и внешняя проверка подтверждают огромный потенциал моделей машинного обучения для помощи пациентам в планировании своей жизни, а врачам — в оптимизации стратегий лечения».