Выявление знаний на основе машинного обучения в данных реестра, связанных с ревматоидным артритом, для определения предикторов персистирующей боли

Раннее выявление пациентов с хроническими заболеваниями, подверженных риску развития персистирующей боли, имеет клиническое значение для своевременного начала мультимодальной терапии. Качественные реестры динамического наблюдения могут предоставлять необходимые клинические данные; однако их структура не ориентирована на конкретную исследовательскую задачу, что создает трудности при выборе стратегии анализа данных. В настоящем исследовании машинное обучение использовали для выявления ранних параметров, информативных в отношении последующего развития персистирующей боли при ревматоидном артрите (РА). Были проанализированы данные 288 пациентов из реестра, основанного на Шведском эпидемиологическом исследовании ревматоидного артрита. При неконтролируемом анализе данных были выявлены три различных подгруппы пациентов: с низкой, умеренной и высокой интенсивностью персистирующей боли. Затем для отбора прогностических параметров среди 21 демографического, оцениваемого пациентами и объективного клинического фактора применяли контролируемое машинное обучение, реализованное с использованием случайных лесов с последующей категоризацией показателей на основе вычислительного ABC-анализа. Отобранные параметры использовали для обучения алгоритмов машинного обучения, предназначенных для отнесения пациентов к подгруппам, связанным с болью (1 000 случайных повторных выборок; две трети данных использовали для обучения и одну треть — для тестирования). Алгоритмы, обученные на данных за 3 месяца по общей оценке состояния здоровья пациентом и Опроснику оценки здоровья, обеспечивали отнесение к группам боли со сбалансированной точностью 70%. При ограничении предикторов объективными клиническими параметрами тяжести заболевания число припухших суставов и число болезненных суставов, определенные через 3 месяца, обеспечивали сбалансированную точность 59%. Результаты показывают, что машинное обучение подходит для извлечения знаний из данных, полученных из реестров, связанных с болью и заболеванием. Ранние функциональные параметры РА информативны в отношении развития и степени персистирующей боли.