הצטברות נכות בטרשת נפוצה היא תהליך המשתנה מאוד ממטופל למטופל, מה שמקשה על חיזוי מהלך המחלה ועל התאמת הטיפול האישי. שילוב של למידת מכונה עם תוצאים המדווחים על ידי המטופל ותוצאים המוערכים על ידי הקלינאי עשוי לתמוך בהתערבויות מותאמות אישית.

במחקר שממצאיו פורסמו לאחרונה בכתב העת Multiple Sclerosis Journal, החוקרים פיתחו מודל למידת מכונה שניתן לפרשנות לצורך ניבוי מסלולי הצטברות הנכות בטרשת נפוצה.

במסגרת המחקר נעשה שימוש במאגר נתונים רב-מרכזי שכלל 1,176 חולי טרשת נפוצה עם מעקב של עד שמונה שנים. מודל מסוג ״יער אקראי״ (Random forest) אומן כדי לנבא את הצטברות הנכות בנקודות זמן של שנתיים, שלוש, ארבע וחמש שנים. המודל השתמש במשתנים קליניים בנקודת ההתחלה, ב-PROsי(Patient-reported outcomes) ובדרגת הסיכון הראשונית כמשתנים מנבאים.

תוצאות המחקר הראו כי הקוהורטה הסופית כללה 437 מטופלים. המודל ניבא שינויים בנכות בדיוק של 0.82 לאחר שנתיים (רווח בר-סמך 95%: 0.77-0.86), ובדיוק של 0.73 לאחר 5 שנים (רווח בר-סמך 95%: 0.66-0.80).

החוקרים מצאו כי דרגת הסיכון הראשונית וציון EDSSי(Expanded Disability Status Scale) בנקודת ההתחלה היו המנבאים המשפיעים ביותר. כמו כן, ניתוח הישרדות אישר את יכולתו של המודל לתפוס ביעילות את הדפוסים תלויי-הזמן של אירועי הצטברות הנכות ברמת האוכלוסיה (Log rank p>0.05).

החוקרים סיכמו כי המודל מציע תחזיות חזקות וניתנות לפרשנות, אשר עשויות לתמוך בקבלת החלטות קליניות תוך שימוש בנתונים קליניים שגרתיים.

מקור: 

Di Antonio F, Brichetto G, Tacchino A, et al. Patient-reported outcomes as predictors of disability evolution in Multiple Sclerosis: An interpretable machine learning approach. Multiple Sclerosis Journal. 2026;0(0). doi:10.1177/13524585251411093

הירשמו לקבלת עדכונים בנושאים שעלו בכתבה