Så avgörs hur väl strokeutfall kan förutsägas

Josline Otieno, doktorand vid Umeå universitet, har studerat hur olika metoder kan användas för att förutse utfall efter stroke. Hon har jämfört maskininlärning med logistisk regression, en vanlig statistisk metod för att räkna ut risker. Studien bygger på stora datamängder från nationella strokeregister i Sverige och Storbritannien.

För att förutse risken att patienter avlider inom 30 dagar efter stroke var skillnaden liten mellan maskininlärning och logistisk regression. Båda metoderna gav stabila resultat även när data från olika länder jämfördes.

När det gäller patienters funktionsförmåga tre månader efter stroke blev skillnaderna tydligare. Här var avancerade maskininlärningsmodeller bättre på att identifiera patienter som blir beroende av hjälp. Det är en grupp som är viktig för planering av rehabilitering, menar Otieno.

– Stroke är en komplex sjukdom, och vårdgivare måste snabbt avgöra vem som behöver olika behandlingar, vem som kan återhämta sig väl och vem som kan behöva långsiktigt stöd, säger Josline Otieno.

Metodvalet avgör vad som fungerar bäst

Studien omfattar även analyser av överlevnad över tid samt situationer där flera möjliga utfall konkurrerar med varandra, till exempel återinsjuknande eller död.

Resultaten visar att valet av metod bör anpassas efter hur data ser ut och vilken tidshorisont som är kliniskt relevant. Cox-regression, en vanlig statistisk metod för att analysera överlevnad över tid, fungerar bra när modellens antaganden håller. Men när sambanden är mer komplexa eller när data innehåller mycket osäkerhet presterar maskininlärning ofta bättre.

– Vid konkurrerande risker förändras prestandan över tid. Ingen modell var konsekvent bäst vid alla utvärderingstidpunkter, säger Josline Otieno.

Otieno menar att maskininlärning i hennes exempel ofta fungerade bättre på kortare sikt, när många händelser inträffar. Vid längre uppföljning var i stället traditionella statistiska modeller mer tillförlitliga.

Stöd för beslut i vården

Studien kombinerar en simuleringsstudie, där forskarna testar metoder på datorgenererad data, med analyser av verkliga data. I simuleringsstudien undersöks hur faktorer som urvalsstorlek, censurering, modellantaganden och osäkra värden påverkar resultaten. Slutsatsen är att metodvalet bör vara sammanhangsberoende och att modeller bör utvärderas med flera sätt.

– Mer tillförlitliga bedömningar kan förbättra kommunikationen mellan vårdpersonal och patienter och ge bättre stöd vid beslut om behandling, särskilt när modeller används vid kliniskt meningsfulla tidpunkter, avslutar Josline Otieno.

Läs hela avhandlingen