Tyypin 2 diabetesta sairastavien huonoa hoitotasapainoa voidaan ennakoida potilastietojärjestelmistä koneoppimisen keinoin
Tyypin 2 diabeteksen huonon hoitotasapainon riski pystytään ennustamaan luotettavasti koneoppimismenetelmillä, osoittaa juuri julkaistu tutkimus. Tärkeimpiin hoitotasapainoa ennustaviin tekijöihin kuuluvat aikaisemmat verensokeritasot, sairauden kesto ja käytössä olevat diabeteslääkkeet.
Tutkimuksessa tarkasteltiin tyypin 2 diabetesta sairastavien hoitotasapainoa Pohjois-Karjalassa kuuden vuoden ajalta. Hoitotasapaino määriteltiin pitkän aikavälin verensokerin, HbA1c:n, perusteella. Aineistosta tunnistettiin verensokeriarvojen suhteen kolme erilaista pitkän aikavälin kehityskaarta. Tunnistetuista kehityskaarista muodostettiin kaksi ryhmää – hyvässä ja huonossa hoitotasapainossa läpi seurannan olleet potilaat. Koneoppimismenetelmillä tarkasteltiin potilaan ominaisuuksia, terveydentilaa ja sosioekonomista asemaa kuvailevien lähtötietojen yhteyttä hoitotasapainoon. Tutkimuksessa hyödynnettiin potilaista yli 200 erilaista lähtötietoa.
Tulosten mukaan missä vaiheessa tahansa sairauden kulkua on mahdollista tunnistaa luotettavasti potilaat, joilla on jatkuvasti kohonneen verensokeritason riski, käyttämällä tietoa sairauden kestosta, aikaisemmista HbA1c-arvoista, paastoverensokerista sekä käytössä olevista diabeteslääkkeistä ja niiden lukumäärästä. Huonoa hoitotasapainoa voidaan siis ennustaa tiedoista, joita yleisesti mitataan sairauden seurannan myötä.
Tyypin 2 diabeteksen hoidon ensisijaisena tavoitteena on hyvän hoitotasapainon ylläpitäminen ja sen myötä diabetekseen liittyvien komplikaatioiden estäminen. Hoitosuosituksen mukaan hoitotasapainoa tulisi seurata vuosittain, mikä mahdollistaa sairauden pidempiaikaisen kehityskaaren seurannan. Huonoon hoitotasapainoon joutuvien potilaiden varhainen tunnistaminen on ensisijaisen tärkeää, jotta hoitoa voidaan kohdentaa sitä erityisesti tarvitseville ja tehostaa oikeaan aikaan. Hoidon viivästynyt tehostaminen lisää komplikaatioiden riskiä, mikä näkyy myös niihin liittyvien hoitokustannusten kasvuna.
Tutkimuksessa hyödynnettiin tietoja Pohjois-Karjalan sosiaali- ja terveyspalvelujen kuntayhtymän, Siun soten, elektronisesta potilastietojärjestelmästä, Kelan rekistereistä sekä Tilastokeskuksen avoimesta postinumeroalueittaisesta Paavo-tietokannasta. Tutkimuskohortteihin poimittiin 9631 tyypin 2 diabetesta sairastavaa henkilöä. Tutkimus toteutettiin Itä-Suomen yliopiston ja Oulun yliopiston yhteistyönä. Tutkimusta rahoittivat Diabetesliitto, Suomen Akatemian Strategisen tutkimuksen neuvosto, Kuopion yliopistollinen sairaala (VTR-rahoitus) ja EU:n Horisontti 2020 -ohjelman rahoittama HTx-projekti (https://www.htx-h2020.eu/).
Lisätietoja:
Dosentti, yliopistotutkija Piia Lavikainen
Itä-Suomen yliopisto, farmasian laitos
piia.lavikainen(a)uef.fi
https://uefconnect.uef.fi/henkilo/piia.lavikainen/
Professori Janne Martikainen
Itä-Suomen yliopisto, farmasian laitos
janne.martikainen(a)uef.fi
https://uefconnect.uef.fi/henkilo/janne.martikainen/
Tohtorikoulutettava Gunjan Chandra
Oulun yliopisto, Biomimetiikan ja älykkäiden järjestelmien ryhmä
gunjan.chandra(a)oulu.fi
https://www.linkedin.com/in/gunjan-chandra-4963187b/
Dosentti Pekka Siirtola
Oulun yliopisto, Biomimetiikan ja älykkäiden järjestelmien ryhmä
pekka.siirtola(a)oulu.fi
https://www.oulu.fi/en/researchers/pekka-siirtola
Tutkimusartikkeli:
Lavikainen P, Chandra G, Siirtola P, Tamminen S, Ihalapathirana AT, Röning J, Laatikainen T, Martikainen J. Data-Driven Identification of Long-Term Glycemia Clusters and Their Individualized Predictors in Finnish Patients with Type 2 Diabetes. Clin Epidemiol. 2023;15:13-29
https://doi.org/10.2147/CLEP.S380828