Maskinlæring kan reducere diagnostisk forsinkelse ved skizofreni og bipolar sygdom

En ny kohorteundersøgelse fra Aarhus Universitet og Aarhus Universitetshospital – Psykiatrien viser, at maskinlæring kan forbedre den diagnostiske præcision og reducere forsinkelsen i diagnostik ved at analysere data fra den elektroniske patientjournal.

Tidlig diagnostik af skizofreni og bipolar sygdom er afgørende for prognosen, men i klinisk praksis kan der gå flere år, før en korrekt diagnose stilles. 

“Det er en svær klinisk udfordring at løse, men vi har givet det et forsøg, og resultaterne af dette studie viser, at vi er på rette vej,” siger professor Søren Dinesen Østergaard fra Institut for Klinisk Medicin ved Aarhus Universitet og Psykiatrien i Region Midtjylland.

Studiedesign og data

Studiet er en retrospektiv kohorteundersøgelse, hvor forskerne analyserede data fra 24.449 patienter i alderen 15 til 60 år, som mellem 2013 og 2016 havde haft mindst én ambulant kontakt i Psykiatrien i Region Midtjylland. Samlet set blev 398.922 ambulante kontakter inkluderet i analysen.

Patienterne havde tidligere fået diagnoser for andre psykiske lidelser end skizofreni eller bipolar sygdom, men en andel udviklede senere en af disse diagnoser. Ved hjælp af en maskinlæringsalgoritme blev det undersøgt, hvilke karakteristika i patientjournalerne der kunne forudsige progression til skizofreni eller bipolar sygdom inden for en femårig periode.

Maskinlæringsmodellen blev trænet på journaldata og evalueret ud fra en klassifikationspræcision, der målte evnen til at differentiere mellem patienter, som udviklede skizofreni/bipolar sygdom, og dem, der ikke gjorde.

Diagnostisk præcision og klinisk anvendelighed

Studiet viste, at maskinlæringsmodellen havde en bedre prædiktiv ydeevne for skizofreni end for bipolar sygdom. Resultaterne viste:

• Blandt patienter, som algoritmen vurderede til at have høj risiko, blev ca. 13 ud af 100 senere diagnosticeret med skizofreni eller bipolar sygdom.
• Blandt dem, som algoritmen vurderede til at have lav risiko, viste 95 ud af 100 sig ikke at udvikle disse sygdomme.

Selvom modellen kunne identificere højrisikopatienter med en vis præcision, vurderer forskerne, at den første version af algoritmen endnu ikke er præcis nok til klinisk implementering.

“Dette er næppe tilstrækkeligt præcist til, at vi kan anvende denne første version af algoritmen til at støtte klinisk praksis, men vi har en god idé om, hvordan vi kommer nærmere målet. Pilen peger på en mere sofistikeret analyse af teksten i journalnotaterne,” siger Søren Dinesen Østergaard.

Sprogmodel og analyse af journalnotater

Et af de vigtigste fund var, at de mest prædiktive faktorer for sygdomsudvikling stammede fra teksten i journalnotaterne.

“De ti faktorer, der bidrager mest til forudsigelsen, stammer alle fra journalnotaterne. Der er tale om ord, der enten beskriver symptomer som f.eks. social tilbagetrækning og hørehallucinationer eller ord, der beskriver indlæggelser på psykiatrisk hospital – altså markører for svær psykisk sygdom. Det giver vældig god mening rent klinisk,” forklarer Søren Dinesen Østergaard.

Den anvendte sprogmodel var en simpel model baseret på ordhyppigheder uden kontekstuel forståelse. Forskerne planlægger nu at undersøge mere avancerede sprogmodeller, som kan håndtere sammenhængen mellem ord og deres betydning i kontekst.

”Vi håber, at den teknologi kan gøre vores forudsigelser af skizofreni og bipolar sygdom så præcise, at fremtidige versioner af algoritmen kan støtte klinisk praksis. Det skal vi nu undersøge nærmere,” siger Søren Dinesen Østergaard.