KHUNG MÔ HÌNH HỌC MÁY DỰ ĐOÁN TUÂN THỦ ĐIỀU TRỊ TRONG BỆNH PARKINSON: CÂN BẰNG GIỮA HIỆU SUẤT DỰ ĐOÁN VÀ KHẢ NĂNG DIỄN GIẢI LÂM SÀNG
Nội dung chính của bài viết
Tóm tắt
Đặt vấn đề: Việc bệnh nhân mắc các bệnh mạn tính như Parkinson không tuân thủ điều trị là một thách thức y tế lớn. Học máy (ML) có tiềm năng giải quyết vấn đề này, nhưng các mô hình này thường bị hạn chế bởi cỡ mẫu nhỏ, dữ liệu mất cân bằng và tính "hộp đen" thiếu minh bạch.
Mục tiêu: Phát triển một khung mô hình học máy vững chắc, cung cấp các diễn giải lâm sàng có tính thực tiễn cao để dự đoán sự tuân thủ điều trị ở bệnh nhân Parkinson trên tập dữ liệu nhỏ.
Phương pháp nghiên cứu: Nghiên cứu phân tích dữ liệu của 100 bệnh nhân. Sử dụng chiến lược kiểm chứng chéo loại một (LOOCV) cho dữ liệu nhỏ. Khắc phục vấn đề mất cân bằng lớp (72% tuân thủ, 28% không tuân thủ) bằng thuật toán học có trọng số. Hiệu suất của ba mô hình học máy Logistic Regression (LR), Random Forest (RF), Support Vector Machine (SVM) được đánh giá. Ngoài ra, phương pháp trí tuệ nhân tạo có thể giải thích (xAI) được dùng để đánh giá mức độ đóng góp của từng biến số.
Kết quả: Mô hình SVM cân bằng có hiệu suất tốt nhất: độ chính xác đạt 85,0% và điểm F1 của nhóm không tuân thủ đạt 0,746. Phân tích xAI chỉ ra rằng tần suất dùng thuốc, tuổi tác và thời gian mắc bệnh là ba yếu tố dự báo chính.
Kết luận: Kết quả cho thấy triển vọng ứng dụng ML và xAI trong hỗ trợ dự báo tuân thủ ngay cả khi thiếu hụt dữ liệu, tạo tiền đề cho ứng dụng trong hệ thống hỗ trợ quyết định lâm sàng (CDSS).
Chi tiết bài viết
Từ khóa
Tuân thủ điều trị, Bệnh Parkinson, Học máy, Kiểm chứng chéo loại một, Trí tuệ nhân tạo có thể giải thích, Hệ thống hỗ trợ quyết định lâm sàng.
Tài liệu tham khảo
2. Brown MT and Bussell JK. Medication Adherence: WHO Cares? Mayo Clinic Proceedings 2011 Apr; 86:304–14. DOI: 10.4065/mcp.2010.0575
3. McCambridge J, Witton J and Elbourne DR. Systematic review of the Hawthorne effect: new concepts are needed to study research participation effects. Journal of Clinical Epidemiology 2014; 67:267–77. DOI: 10.1016/j.jclinepi.2013.08.015
4. Lo-Ciganic WH, Donohue JM, Thorpe JM, Perera S, Thorpe CT, Marcum ZA and Gellad WF. Using Machine Learning to Examine Medication Adherence Thresholds and Risk of Hospitalization. Medical Care 2015 Aug; 53:720–8. DOI: 10.1097/MLR.0000000000000394
5. Vabalas A, Gowen E, Poliakoff E and Casson AJ. Machine Learning Algorithm Validation with a Limited Sample Size. PLOS ONE 2019 Nov; 14. DOI: 10.1371/journal.pone.0224365
6. Haibo He and Garcia E. Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering 2009 Sep; 21:1263–84. DOI: 10.1109/TKDE.2008.239
7. Amann J, Blasimme A, Vayena E, Frey D and Madai VI. Explainability for Artificial Intelligence in Healthcare: A Multidisciplinary Perspective. BMC Medical Informatics and Decision Making 2020 Dec; 20:310. DOI: 10.1186/s12911-020-01332-6
8. Bates S, Hastie T and Tibshirani R. Cross-Validation: What Does It Estimate and How Well Does It Do It? Journal of the American Statistical Association 2024 Apr; 119:1434–45. DOI: 10.1080/01621459.2023.2197686
9. Cox DR. The regression analysis of binary sequences. Journal of the Royal Statistical Society: Series B (Methodological) 1958; 20:215–32
10. Cortes C and Vapnik V. Support-vector networks. Machine learning 1995; 20:273–97. DOI: 10.1007/BF00994018
11. Lundberg S and Lee SI. A Unified Approach to Interpreting Model Predictions. 2017. DOI: 10.48550/ARXIV.1705.07874