Maschinelles Lernen bei chronisch obstruktiver Lungenerkrankung
Die chronisch obstruktive Lungenerkrankung (COPD) ist ein bedeutendes globales Gesundheitsproblem, wobei die Weltgesundheitsorganisation prognostiziert, dass sie bis 2030 die dritthäufigste Todesursache und die siebthäufigste Ursache für Morbidität weltweit sein wird. Akute Exazerbationen der chronisch obstruktiven Lungenerkrankung (AECOPD) sind besonders besorgniserregend, da sie mit einem beschleunigten Rückgang der Lungenfunktion, einer verminderten Lebensqualität und einer höheren Mortalität verbunden sind. Eine genaue frühzeitige Erkennung von AECOPD ist entscheidend für ein besseres Management und die Reduzierung der Mortalität. In den letzten Jahren hat sich das maschinelle Lernen (ML) als leistungsfähiges Werkzeug in der prädiktiven Analytik etabliert und bietet neue Möglichkeiten, COPD effektiver zu bekämpfen.
Dieser Artikel untersucht die Anwendung von ML in der Prävention und Kontrolle von COPD, wobei drei Schlüsselaspekte im Mittelpunkt stehen: die Bewertung von Skalen und die Klassifizierung von Patienten, die Bewertung der Lungenfunktion sowie Methoden zur Vorhersage akuter Exazerbationen während AECOPD. Darüber hinaus werden die Defizite und Herausforderungen der aktuellen ML-Technologie in der Prävention und Diagnose von COPD analysiert.
Bewertung von Skalen und Klassifizierung von Patienten
Um Patienten mit potenziell schwerer AECOPD besser unterscheiden zu können, wurden spezifische Skalen entwickelt, die auf groß angelegten klinischen Studien und Analysen basieren. Dazu gehören der COPD and Asthma Physiology Score, der BAP-65-Score und der AECOPD-F-Score. Vergleichende Ergebnisse aus der Datensynthese zeigen, dass ein umfassendes und integriertes Bewertungssystem erhebliche Vorteile gegenüber einem einzelnen Bewertungsindex bietet. Ein solches System kann medizinische Fachkräfte gezielter bei der Entscheidungsfindung unterstützen und die Intensität der klinischen Behandlung rechtzeitig anpassen, wodurch die medizinische Versorgung und die Prognose der Patienten verbessert werden.
Die Bewertung und Einstufung von Patienten mit akuten Exazerbationen befindet sich noch in der Explorationsphase und muss mit klinischen objektiven Indikatoren wie Lungenfunktionstests, Komorbiditäten und Biomarkern kombiniert werden. Diese Kombination ermöglicht eine genaue phänotypische Klassifizierung, Schweregradbewertung und Behandlungsanleitung für Patienten.
Eine Studie von Pikoula et al. zeigte, dass COPD mit verschiedenen Phänotypen, Ätiologien und prognostischen Merkmalen auftreten kann. Durch die Clusteranalyse von elektronischen Gesundheitsakten wurden Patientenmerkmale in Bezug auf Demografie, Komorbiditäten, Sterberisiko und Exazerbationen identifiziert und charakterisiert. Die Studie zeigte, dass Patienten ohne spezifische Tests in fünf Phänotypen eingeteilt werden können. Die Grenzen zwischen den Phänotypen sind jedoch nicht klar, und komplexe Patienten können mehreren Phänotypen angehören.
Patienten werden entsprechend ihres klinischen Erscheinungsbilds und des Krankheitsverlaufs klassifiziert, und das probabilistische Modell wird durch potenzielle Kategorienanalyse mit einem Datensatz von mehreren Variablen abgeglichen. Dieser Ansatz kombiniert unterschiedliche Merkmale von Patienten für die Klassifikationsvorhersage und liefert wichtige Referenzwerte für die individualisierte Behandlung.
Bewertung der Lungenfunktion
Wenn die Lungenfunktion unter das Niveau gesunken ist, das Lungenfunktionstests zulässt, können Ärzte das genaue Niveau der Lungenfunktion nicht feststellen. Dies ist insbesondere bei älteren Patienten problematisch, die eher AECOPD erleben. Der Einsatz von ML-Algorithmen zur Vorhersage der Lungenfunktion unterstützt Ärzte bei klinischen Entscheidungen und verbessert die klinische Praxis.
Eine Studie von Chen et al. entwickelte ein Vorhersagemodell basierend auf multipler Output-Support-Vektor-Regression, das in Kombination mit demografischen und entzündlichen Parametern Lungenfunktionsindizes vorhersagen konnte. Die geringe Stichprobengröße der Studie und die Dominanz von Männern begrenzen jedoch die Vorhersagewirkung des Modells für Frauen.
Methoden zur Vorhersage akuter Exazerbationen
Die häusliche Teleüberwachung umfasst die Verwendung elektronischer Geräte und elektronischer Informationstechnologie für den drahtlosen Informationsaustausch, wodurch die regelmäßige Erfassung klinischer Daten ermöglicht wird. Telemedizinisch unterstützte chronische Pflegemanagementdienste fördern das Selbstmanagement der Patienten, verbessern die Kontrolle, steigern die Lebensqualität und verhindern Krankenhausaufenthalte.
In einer Studie von Wu et al. wurden zuverlässige Vorhersagen zukünftiger AECOPD-Ereignisse mit tragbaren Geräten, häuslichen Luftqualitätssensoren, Smartphone-Apps und überwachten Vorhersagealgorithmen gemacht. Die Genauigkeit, Sensitivität, Spezifität und die Fläche unter der Receiver-Operating-Characteristic-Kurve des Modells waren größer als 0,9. Aufgrund der Einschränkungen von Luftqualitätssensoren ist der Umfang der Umwelterfassung jedoch auf das Schlafzimmer des Benutzers beschränkt, was die Repräsentativität der Vorhersageergebnisse beeinträchtigt.
Immer mehr intelligente Sensortechnologien sind in der Lage, Körperbewegungen kontinuierlich zu verfolgen und die Vitalzeichen von Patienten zu erfassen. Ältere Patienten mit eingeschränkter Mobilität neigen jedoch zur Ablehnung und Fehlanpassung an Überwachungsgeräte, was mehrere Messungen von experimentellen Daten sowie die Filterung und Zusammenstellung erfordert. Darüber hinaus beeinträchtigen die Unzuverlässigkeit der Messungen von Patientenphysiologie-Daten während AECOPD und die gezielte Therapie die Genauigkeit des Algorithmus. Das Selbstmanagement der Patienten kann den natürlichen Verlauf der Verschlechterung stören, wodurch die Beziehung zwischen einigen Anzeichen und der Aufnahme verringert, aber die Beziehung zwischen einigen Komponenten des Algorithmus und den Vorhersageentscheidungen gestärkt wird.
Atemgeräusche und ML
Atemgeräusche sind wichtige Anzeichen der Lunge und enthalten eine große Menge an physiologischen und pathologischen Informationen. Mit traditionellen Stethoskopen ist es schwierig, bestimmte schwache physiologische Schallsignale zu erfassen, und subjektive Erfahrungen können die Diagnoseergebnisse von Ärzten leicht beeinflussen. Die rasche Entwicklung der Elektroniktechnologie und ML-Algorithmen hat eine bedeutende Rolle bei der Analyse von Atemgeräuschen gespielt, indem sie Ärzte bei der Diagnose von Atemwegserkrankungen unterstützt und den Zustand von COPD-Patienten intelligent identifiziert.
Altan et al. entwickelten eine Methode, die sich direkt auf Lungengeräusche konzentriert und 12 verschiedene Lungengeräusche analysiert, die mit unterschiedlichen Schweregraden von COPD verbunden sind. Die Studie bewertete den Schweregrad von COPD mit mehrkanaligen Lungengeräuschen und wandte dreidimensionale Differenzkarten zweiter Ordnung an, um charakteristische Anomalien in Lungengeräuschen zu extrahieren. Ein Deep-Extreme-Learning-Machine-Klassifikator (Deep-ELM) wurde zur Klassifizierung verwendet, um den Schweregrad von COPD vorherzusagen. Das Modell schnitt gut ab, mit Genauigkeit, Sensitivität und Spezifität größer als 0,9.
Diese Studien haben jedoch einige Einschränkungen, hauptsächlich die geringe Stichprobengröße und die monozentrische Natur der Datenerfassung. Die Ablehnung von Auskultationsgeräten durch Patienten, die Unvollständigkeit der Studienmerkmale und die Möglichkeit eines lokalen Optimums stellen ebenfalls Herausforderungen dar. Darüber hinaus kann das Modell als „Black Box“ betrachtet werden, die es klinischem Personal nicht ermöglicht, die Grundlage für das Ergebnis zu verstehen.
Klinische Merkmale und ML
Wenn ein Patient zu krank ist, um Lungenfunktionstests effektiv durchzuführen, muss der Patient anhand klinischer Merkmale bewertet werden. Peng et al. sammelten medizinische Aufzeichnungen und wählten 28 Merkmale aus, darunter Vitalzeichen, Krankengeschichte, Komorbiditäten und verschiedene Entzündungsindikatoren. Die Leistung des konstruierten C5.0-Modells wurde analysiert und übertraf die der C4.5-, Klassifikations- und Regressionsbaum- sowie iterativen dichotomen Modelle. Die Studie zeigte, dass der C5.0-Entscheidungsbaumklassifikator am besten abschnitt und Atemwegsärzten half, den Schweregrad von AECOPD bei Patienten frühzeitig zu bewerten. Entzündungsindikatoren wie Interleukine fehlten in der Studie jedoch, da nur eine geringe Anzahl von Patienten die relevanten Tests durchgeführt hatte.
Die oben genannten Studien haben einige Einschränkungen: Klinische Tests, die an Patienten in verschiedenen Krankenhäusern oder von verschiedenen Ärzten durchgeführt werden, sind nicht einheitlich, und es gibt Unterschiede in der Anzahl und Bedeutung der Merkmale. Einige Indikatoren sind schwer zu quantifizieren, wie Depressionen und Angstzustände sowie Mobilität. Jedes Studienmodell ist nur für bestimmte Patienten geeignet, die bestimmte Kriterien erfüllen, und die Generalisierungsfähigkeit des Modells ist begrenzt.
Brust-Computertomographie und ML
Die Brust-Computertomographie (CT) ist eine fortschrittliche Bildgebungstechnik, die weit verbreitet ist, um Lungenstrukturanomalien sowie den Status von COPD zu erkennen. Brust-CT-Ergebnisse liefern jedoch eine große Menge an Bilddaten, aus denen pathophysiologische Unregelmäßigkeiten mit bloßem Auge nicht identifiziert werden können. Dies wirft die Frage nach der Notwendigkeit von ML-Algorithmen zur Unterstützung der Entscheidungsfindung auf.
ML kann für die automatisierte Analyse von Lungenfunktionstests und die Differentialdiagnose von COPD verwendet werden. In den letzten Jahren hat sich insbesondere das schwach überwachte Lernen aufgrund seiner Bequemlichkeit, breiten Abdeckung und guten Anwendungsleistung in der Brust-CT stark entwickelt und angewendet.
In einer aktuellen prospektiven Studie wurden Support-Vektor-Maschinen und logistische Regressionsalgorithmen verwendet, um Brust-CT-Bilder zu analysieren und die Lungenventilationsfunktion bei COPD zu bewerten. Das Bewertungsmodell (quadratische Support-Vektor-Maschine) wurde anhand von 87 Bildmerkmalen bei 27 COPD-Patienten auf Validität getestet, mit einer Genauigkeit von 88 % und einem AUC-Wert von 0,82. Obwohl diese Ergebnisse ermutigend sind, war die Stichprobengröße gering, und die meisten Patienten hatten mittelschwere bis schwere COPD, was darauf hindeutet, dass Patienten mit milder COPD, die geeignet sind, in zukünftige Studien einbezogen werden sollten. Ebenso entwickelten Sun et al. schwach überwachte Deep-Learning-Modelle, die CT-Bilddaten für die automatisierte Erkennung und Einstufung von spirometrisch definierter COPD in der natürlichen Bevölkerung nutzen.
Diese Studien haben Einschränkungen: Die Verwendung von Deep Learning erfordert hohe Trainingskosten und Speicheranforderungen; eine große Datenmenge ist erforderlich, um eine stabile Modellleistung zu erreichen; und die „Black Box“-Natur von Deep Learning und sogar ML kann zu unangenehmen Ergebnissen führen.
Gene, Versicherungsdaten, soziale Faktoren und Biomarker
Forscher haben Patienten mit COPD aus mehreren Perspektiven klassifiziert und diagnostiziert, darunter Gene, Versicherungsdaten, soziale Faktoren und Biomarker. In einer Studie von Ma et al. wurden 101 Single-Nukleotid-Polymorphismen (SNPs) durch Mass-Array-Analyse bestimmt, und sechs Vorhersagemodelle wurden entwickelt und bewertet, um die Entwicklung von COPD durch die Kombination von SNPs und klinischen Informationen vorherzusagen. Die Modelle zeigten eine gute Leistung bei der Vorhersage des COPD-Risikos und kompensierten den Mangel an Lungenfunktionstests in frühen Krankheitsstadien.
Diese Studien und Vorhersagemodelle unterstützen Ärzte in verschiedenen Aspekten und Graden der Entscheidungsfindung und können wertvolle Gesundheitsressourcen effektiv einsparen. Regierungen sind in der Lage, die benötigte Pflege für COPD-Patienten zu erweitern.
Zukünftige Richtungen
ML-Techniken und sogar Anwendungen der künstlichen Intelligenz in der Medizin sind ein zunehmend wichtiges Thema, obwohl ML derzeit Schwierigkeiten hat, die Generalisierungsfähigkeit sicherzustellen und gültige Informationen für Beziehungen zwischen hochdimensionalen Merkmalen bereitzustellen. In Zukunft werden ML-Modelle und Algorithmen, die mit großen realen Datensätzen sowie kontinuierlich überwachten klinischen Daten validiert und mit Cloud-Plattformen und IoT-Engineering kombiniert werden, die Rechengeschwindigkeit und Datenverarbeitungsfähigkeiten effektiv verbessern. Dies wird Fernanwendungen durchführen, Ärzte bei der Diagnose und Bewertung aus mehreren Perspektiven und Richtungen unterstützen, das Überleben der Patienten verbessern, die Verschwendung medizinischer Ressourcen reduzieren und möglicherweise das Management von COPD auf ein ganz neues Niveau heben, wodurch COPD-Patienten und Ärzten effektive Hilfe und Rehabilitation gebracht wird.
doi.org/10.1097/CM9.0000000000002247