クローン病維持療法における薬物不服従を予測するための機械学習モデルの適用

Applying Machine Learning Models to Predict Medication Nonadherence in Crohn's Disease Maintenance Therapy.

• Lei Wang
• Rong Fan
• Chen Zhang
• Liwen Hong
• Tianyu Zhang
• Ying Chen
• Kai Liu
• Zhengting Wang
• Jie Zhong

抄録

目的:

クローン病（CD）の管理において服薬アドヒアランスは非常に重要であるが、未だアドヒアランスは低いままである。本研究では、CD患者のアザチオプリン（AZA）不服の予測に役立つ機械学習モデルを開発し、医療従事者が介入プロセスを合理化できるように支援することを目的とした。

Objective: Medication adherence is crucial in the management of Crohn's disease (CD), and yet the adherence remains low. This study aimed to develop machine learning models that can help predict CD patients of nonadherence to azathioprine (AZA), and thus assist caregivers to streamline the intervention process.

方法:

この単施設横断的研究では、2005年9月から2018年9月までの間にAZAを処方されたクローン病患者446人を募集した。服薬アドヒアランス、不安と抑うつ、服薬の必要性と懸念に対する信念、服薬知識に関するアンケートを患者に提供し、その他のデータは電子カルテから抽出した。バックプロパゲーションニューラルネットワーク（BPNN）とサポートベクターマシン（SVM）の2つの機械学習モデルを開発し、ロジスティック回帰（LR）と比較し、精度、リコール、精度、F1スコア、受信機動作特性曲線下面積（AUC）で評価した。

Methods: This single-centered, cross-sectional study recruited 446 CD patients who have been prescribed AZA between Sep 2005 and Sep 2018. Questionnaires of medication adherence, anxiety and depression, beliefs of medication necessity and concerns, and medication knowledge were provided to patients, while other data were extracted from the electronic medical records. Two machine learning models of back-propagation neural network (BPNN) and support vector machine (SVM) were developed and compared with logistic regression (LR), and assessed by accuracy, recall, precision, F1 score and the area under the receiver operating characteristic curve (AUC).

結果:

3つのモデルの平均分類精度とAUCは、LRが81.6％と0.896、BPNNが85.9％と0.912、SVMが87.7％と0.930であった。多変量解析により、AZA非服薬と関連する4つの危険因子が同定された：服薬懸念信念（OR=3.130、p<0.001）、教育（OR=2.199、p<0.001）、不安（OR=1.549、p&lt;0.001）、不安（OR=1.549、p&lt;0.001）。549, p<0.001）、うつ病（OR=1.190, p<0.001）、薬物療法の必要性の確信（OR=0.004, p<0.001）、薬物知識（OR=0.805, p=0.013）は保護因子であった。

Results: The average classification accuracy and AUC of the three models were 81.6% and 0.896 for LR, 85.9% and 0.912 for BPNN, and 87.7% and 0.930 for SVM, respectively. Multivariate analysis identified four risk factors associated with AZA nonadherence: medication concern belief (OR=3.130, p<0.001), education (OR=2.199, p<0.001), anxiety (OR=1.549, p<0.001) and depression (OR=1.190, p<0.001), while medication necessity belief (OR=0.004, p<0.001) and medication knowledge (OR=0.805, p=0.013) were protective factors.

結論:

我々は3つの機械学習モデルを開発し，中国のCD患者におけるAZA不服薬の予測において有望な精度を持つSVMモデルを提案した。また、教育、心理的苦痛、服薬に関する信念や知識がAZA不服従と相関していることを再確認した。

Conclusion: We developed three machine learning models and proposed an SVM model with promising accuracy in the prediction of AZA nonadherence in Chinese CD patients. The study also reconfirmed that education, psychologic distress, and medication beliefs and knowledge are correlated to AZA nonadherence.

© 2020 Wang et al.