लवकर इशारा देणारी मॉडेल्स प्रतिबंधात्मक काळजीला लक्ष्यित करण्यात मदत करू शकतात, असे संशोधक म्हणतात
जीवनाच्या अगदी सुरुवातीच्या काळात एक्जिमा विकसित होणारी मुले अनेकदा इतर अलर्जीक स्थितींनाही सामोरे जातात, पण कोणत्या रुग्णांना अधिक गंभीर श्वसनरोगाकडे वाटचाल होण्याची शक्यता जास्त आहे हे मोजण्यासाठी डॉक्टरांकडे मर्यादित साधने आहेत. एक नवीन अभ्यास सूचित करतो की machine learning आता त्या जोखमीचे अधिक अचूक वर्गीकरण करण्याचा मार्ग देऊ शकते.
१७ एप्रिल रोजी Journal of Allergy and Clinical Immunology मध्ये ऑनलाइन प्रकाशित झालेल्या संशोधनात Kaiser Permanente Southern California येथील संशोधकांनी ३ वर्षांच्या आधी atopic dermatitis चे निदान झालेल्या मुलांसाठी prediction models विकसित आणि पडताळले. 10,688 मुलांच्या electronic health record डेटाचा वापर करून, पथकाने 5 ते 11 वयोगटात मध्यम ते गंभीर persistent asthma आणि allergic rhinitis होण्याचा वैयक्तिक धोका मोजणारी मॉडेल्स तयार केली.
हे निष्कर्ष संभाव्य उपयुक्त क्लिनिकल साधनाकडे इशारा करतात, विशेषतः अशा आरोग्यप्रणालींसाठी ज्या उच्च-धोका असलेल्या मुलांना लवकर ओळखून लक्षणे वाढण्यापूर्वी हस्तक्षेप करू इच्छितात. संशोधकांनी अस्थमाच्या अंदाजासाठी मजबूत कामगिरी आणि allergic rhinitis साठी अधिक मध्यम, पण तरीही अर्थपूर्ण, कामगिरी नोंदवली.
मोठ्या real-world डेटासेटमध्ये अस्थमाचा मजबूत अंदाज
अस्थमा मॉडेल्सनी comprehensive version साठी 0.893 आणि simplified version साठी 0.892 area-under-the-curve गुण मिळवले, जे नंतर रोग झालेल्या आणि न झालेल्या मुलांमधील फरक ओळखण्यात मजबूत discrimination दर्शवतात. 95% specificity मर्यादेवर, comprehensive model ने 40.4% sensitivity आणि 39.3% positive predictive value मिळवला, तर simplified model 36.2% sensitivity आणि 33.8% positive predictive value वर पोहोचला.
हे आकडे महत्त्वाचे आहेत कारण ते सूचित करतात की मॉडेल्स false positives मर्यादित करण्यात विशेषतः चांगली होती, तरीही नंतर persistent asthma विकसित होणाऱ्या मुलांचा अर्थपूर्ण हिस्सा पकडत होती. प्रत्यक्षात, असा समतोल बालरोग काळजीत महत्त्वाचा असू शकतो, जिथे अनावश्यक escalation चे खर्च असतात, पण धोका चुकल्यास उपचारात विलंब आणि टाळता येण्याजोग्या गुंतागुंती उद्भवू शकतात.
rhinitis मॉडेल्स अस्थमा मॉडेल्सपेक्षा कमी अचूक होते, तरीही त्यांनी मध्यम पूर्वानुमान कामगिरी दिली. comprehensive rhinitis model ने 0.793 AUC मिळवला, तर simplified model ने 0.773 गुण मिळवले. 90% specificity वर, comprehensive model ने 35.5% sensitivity आणि 72.7% positive predictive value मिळवला, तर simplified model ने 34.0% sensitivity आणि 69.2% positive predictive value दिला.
लेखकांनी स्वीकारार्ह calibration देखील नोंदवली, विशेषतः सर्वाधिक-धोका असलेल्या गटांमध्ये मजबूत जुळवाजुळव दिसून आली. हा मुद्दा महत्त्वाचा आहे कारण अगदी मजबूत discrimination असलेले मॉडेलही कमी उपयुक्त ठरू शकते, जर त्याचे risk estimates प्रत्यक्ष क्लिनिकमध्ये जे घडते त्याशी अचूक जुळत नसतील.
