ప్రారంభ హెచ్చరిక మోడళ్లు నివారణ సంరక్షణను లక్ష్యంగా చేసేందుకు సహాయపడవచ్చని పరిశోధకులు అంటున్నారు
జీవితంలో చాలా తొందరగా ఎగ్జిమా అభివృద్ధి చేసే పిల్లలు తరచుగా ఇతర అలర్జీ పరిస్థితులను కూడా ఎదుర్కొంటారు, కానీ ఏ రోగులు మరింత తీవ్రమైన శ్వాస సంబంధ వ్యాధికి మారే అవకాశం ఎక్కువో అంచనా వేయడానికి వైద్యుల వద్ద పరిమిత సాధనాలే ఉన్నాయి. ఒక కొత్త అధ్యయనం machine learning ఇప్పుడు ఆ ప్రమాదాన్ని మరింత స్పష్టంగా వర్గీకరించే మార్గాన్ని అందించవచ్చని సూచిస్తోంది.
ఏప్రిల్ 17న Journal of Allergy and Clinical Immunologyలో ఆన్లైన్గా ప్రచురితమైన పరిశోధనలో, Kaiser Permanente Southern Californiaకి చెందిన పరిశోధకులు 3 ఏళ్లకు ముందే atopic dermatitisగా నిర్ధారించబడిన పిల్లల కోసం prediction modelsను అభివృద్ధి చేసి ధృవీకరించారు. 10,688 పిల్లల electronic health record డేటాను ఉపయోగించి, బృందం 5 నుంచి 11 ఏళ్ల మధ్య moderate-to-severe persistent asthma మరియు allergic rhinitis అభివృద్ధి చెందే వ్యక్తిగత ప్రమాదాన్ని అంచనా వేయడానికి మోడళ్లను నిర్మించింది.
ఈ ఫలితాలు ఒక సంభావ్యంగా ఉపయోగకరమైన క్లినికల్ సాధనాన్ని సూచిస్తున్నాయి, ముఖ్యంగా అధిక ప్రమాదం ఉన్న పిల్లలను ముందుగానే గుర్తించి, లక్షణాలు తీవ్రతరం కాకముందే జోక్యం చేసుకోవాలనుకునే ఆరోగ్య వ్యవస్థల కోసం. ఆస్తమా prediction కోసం బలమైన పనితీరును, allergic rhinitis కోసం మరింత మధ్యస్థమైనప్పటికీ అర్థవంతమైన పనితీరును పరిశోధకులు నివేదించారు.
పెద్ద real-world డేటాసెట్లో ఆస్తమా కోసం బలమైన అంచనా
ఆస్తమా మోడళ్లు comprehensive version కోసం 0.893 మరియు simplified version కోసం 0.892 area-under-the-curve స్కోర్లు సాధించాయి, ఇవి తరువాత వ్యాధి అభివృద్ధి చెందిన పిల్లలను, అభివృద్ధి చేయని పిల్లల నుంచి వేరుచేయడంలో బలమైన discriminationను సూచిస్తున్నాయి. 95% specificity స్థాయిలో, comprehensive model 40.4% sensitivity మరియు 39.3% positive predictive value సాధించింది, simplified model 36.2% sensitivity మరియు 33.8% positive predictive value చేరుకుంది.
ఈ గణాంకాలు ముఖ్యమైనవి, ఎందుకంటే అవి మోడళ్లు false positivesను పరిమితం చేయడంలో ప్రత్యేకంగా మంచి పనితీరు చూపాయని, అదే సమయంలో తరువాత persistent asthma అభివృద్ధి చేసే పిల్లలలో గణనీయమైన భాగాన్ని పట్టుకున్నాయని సూచిస్తున్నాయి. ప్రాక్టీస్లో, ఇటువంటి సమతుల్యత pediatric careలో ముఖ్యంగా ఉండొచ్చు, ఎందుకంటే అవసరం లేని escalationకు ఖర్చులు ఉంటాయి, కానీ ప్రమాదాన్ని కోల్పోవడం చికిత్స ఆలస్యం మరియు నివారించగల సంక్లిష్టతలకు దారితీయవచ్చు.
rhinitis మోడళ్లు ఆస్తమా మోడళ్ల కంటే తక్కువ ఖచ్చితంగా ఉన్నప్పటికీ, ఇంకా మధ్యస్థ స్థాయి prediction performance అందించాయి. comprehensive rhinitis model 0.793 AUC సాధించింది, simplified model 0.773 స్కోర్ చేసింది. 90% specificity వద్ద, comprehensive model 35.5% sensitivityతో 72.7% positive predictive value సాధించింది, simplified model 34.0% sensitivity మరియు 69.2% positive predictive value ఇచ్చింది.
అత్యధిక ప్రమాద గుంపుల్లో ముఖ్యంగా బలమైన concordanceతో acceptable calibration ఉందని రచయితలు కూడా తెలిపారు. ఇది ముఖ్యమైన విషయం, ఎందుకంటే బలమైన discrimination ఉన్న మోడల్ కూడా, దాని risk estimates క్లినిక్లో నిజంగా జరిగేదానికి సరిపోలకపోతే తక్కువ ఉపయోగకరంగా మారవచ్చు.
