Machine Learning helpt exacerbaties bij astma te voorspellen

Een nieuw algoritme voor een machine learning-model heeft in een real-world setting met poliklinische patiënten laten zien vrij nauwkeurig te kunnen voorspellen wie een astma-exacerbatie krijgt. Het algoritme zou ingebouwd kunnen worden in klinische beslismodellen om exacerbaties te voorkomen. Machine learning is een vorm van kunstmatige intelligentie gericht op systemen die van data kunnen leren.

Omdat astma-exacerbaties grote gevolgen kunnen hebben, werd onderzocht of een dergelijk algoritme kan helpen exacerbaties eerder op te sporen. Hiertoe werden data geëxtraheerd uit elektronische patiëntenbestanden van 60.302 astmapatiënten die tussen 2010 en 2018 poliklinisch werden behandeld in Cleveland (Verenigde Staten). Drie machine learning-modellen werden ontwikkeld om te voorspellen: astma-exacerbaties waarvoor een prednison-stootkuur nodig is, presentatie aan de eerstehulpafdeling en ziekenhuisopname.

Van de patiënten kreeg 32,8% ten minste één niet-ernstige exacerbatie waarvoor orale steroïden nodig waren, bezocht 2,9% een eerstehulpafdeling en moest 1,5% opgenomen worden. Het algoritme Light Gradient Boosting Machine (LightGBM) bleek al deze factoren het best te voorspellen, met een AUC-ROC tussen 0,71 en 0,85. LightGBM identificeerde ook risicofactoren, waaronder hogere leeftijd, gebruik van langwerkende bèta-agonisten, een hoge dosis inhalatiesteroïden en chronisch orale corticosteroïden.

De grootste risicofactoren waren een laag FEV1 en FEV1/FVC, maar toevoeging hiervan aan het algoritme droeg niet verder bij aan de nauwkeurigheid. Op basis van gegevens als demografie, comorbiditeiten en astmamedicatie is het dus goed mogelijk om patiënten met een groter risico op exacerbatie te identificeren, wat van waarde is voor het verlagen van klinische en economische lasten.