片頭痛患者における薬の過剰使用を予測するための機械学習アプローチ

Machine learning approach to predict medication overuse in migraine patients.

• Patrizia Ferroni
• Fabio M Zanzotto
• Noemi Scarpato
• Antonella Spila
• Luisa Fofi
• Gabriella Egeo
• Alessandro Rullo
• Raffaele Palmirotta
• Piero Barbanti
• Fiorella Guadagni

抄録

機械学習（ML）は片頭痛の分類における自動予測器の開発に主に用いられているが、片頭痛における薬の過剰使用（MO）の自動予測器はまだ黎明期にある。そこで、MO予測におけるMLの利点を理解するために、我々は片頭痛におけるMOリスクを推定するための自動予測器を探索した。この目的を達成するために、サポートベクターマシンとランダム最適化（RO-MO）を組み合わせたカスタマイズされたMLベースの意思決定支援システムの性能を分析する研究を行った。人口統計学的、臨床的、生化学的データから予後情報を抽出するためにRO-MOを用いた。777人の連続した片頭痛患者のデータセットを用いて、ベースラインSVMで観察されたものよりも高いMOの識別力を持つ予測因子のセットを導出した。最良の4つの予測因子を最終的なRO-MO決定支援システムに組み込み、5段階の層別化によるリスク評価を行った。ROC分析の結果、少なくとも3つのRO-MOモデルでMOを予測した場合のc-統計量は0.83、感度と特異度はそれぞれ0.69、0.87、精度は0.87であった。ロジスティック回帰分析の結果、RO-MOシステムがMOを効果的に予測できることが確認されました。結論として、臨床的/生化学的特徴、薬物曝露、生活習慣を考慮したMLとROの組み合わせは、片頭痛におけるMO予測のための貴重なアプローチであり、属性の相対的重要度を重み付けすることでモデルの精度を向上させる可能性を秘めている。

Machine learning (ML) is largely used to develop automatic predictors in migraine classification but automatic predictors for medication overuse (MO) in migraine are still in their infancy. Thus, to understand the benefits of ML in MO prediction, we explored an automated predictor to estimate MO risk in migraine. To achieve this objective, a study was designed to analyze the performance of a customized ML-based decision support system that combines support vector machines and Random Optimization (RO-MO). We used RO-MO to extract prognostic information from demographic, clinical and biochemical data. Using a dataset of 777 consecutive migraine patients we derived a set of predictors with discriminatory power for MO higher than that observed for baseline SVM. The best four were incorporated into the final RO-MO decision support system and risk evaluation on a five-level stratification was performed. ROC analysis resulted in a c-statistic of 0.83 with a sensitivity and specificity of 0.69 and 0.87, respectively, and an accuracy of 0.87 when MO was predicted by at least three RO-MO models. Logistic regression analysis confirmed that the derived RO-MO system could effectively predict MO with ORs of 5.7 and 21.0 for patients classified as probably (3 predictors positive), or definitely at risk of MO (4 predictors positive), respectively. In conclusion, a combination of ML and RO - taking into consideration clinical/biochemical features, drug exposure and lifestyle - might represent a valuable approach to MO prediction in migraine and holds the potential for improving model precision through weighting the relative importance of attributes.

© 2020 The Author(s).