医療スマートフォンアプリを使用した慢性皮膚疾患の患者の自動機械学習分析：レトロスペクティブ研究

背景：ヘルスケアにおける迅速なデジタル化は、デジタルテクノロジーの採用につながりました。ただし、インターネットベースの健康上の意思決定に対する信頼は限られており、技術者の必要性は、スマートフォンと機械学習アプリケーションの使用を妨げています。これに対処するために、Automated Machine Learning（Automl）は、医療専門家がモバイルヘルスアプリの有効性を高めることができる有望なツールです。 目的：Automlを使用して、スマートフォン監視アプリを使用していた慢性の手および/または足湿疹または乾癬菌の患者を含む臨床研究のデータを分析しました。分析は、かゆみ、痛み、皮膚科の生活の品質指数（DLQI）開発、およびアプリの使用に焦点を当てました。 方法：一般的な機能を抽出し、新機能を計算することにより、3つの主要なデータセットを組み合わせることで構成される広範なデータセット準備の後、合計368人の患者を含む新しい仮名化されたセカンダリデータセットが作成されました。次に、Automl処理中に複数の機械学習分類モデルが構築され、最終的に最も正確なモデルがさらにデータセット分析のために選択されました。 結果：6か月間のかゆみ開発は、光勾配ブーストツリー分類剤モデル（ログ損失：検証のために0.9302、交差検証の場合は1.0193、ホールドアウトのために0.9167）を使用して正確にモデル化されました。6か月間の疼痛発達は、ランダムフォレスト分類子モデル（ログ損失：検証の場合は1.1799、交差検証の場合は1.1561、ホールドアウトの場合は1.0976を使用して評価されました。次に、ランダムフォレスト分類器モデル（ログ損失：検証の場合は1.3670、交差検証の場合は1.4354、ホールドアウトでは1.3974）を再度使用して、DLQI開発を6か月間推定しました。最後に、APPの使用は、弾性ネットブレンダーモデル（曲線下の面積：検証の場合は0.6567、クロス検証の場合は0.6207、ホールドアウトの場合は0.7232）を使用して分析されました。BMI、年齢、疾患活動性、DLQI、およびフォローアップ時の病院の不安とうつ病のスケールアンキシアスコアなど、影響力のある特徴の相関が特定されました。APPの使用はBMI> 35で増加し、47歳以上の患者および23〜31歳の患者ではあまり一般的ではなく、疾患活動性が高い患者ではより一般的でした。病院の不安とうつ病スケール - 不安スコアが8を超えると、アプリの使用にわずかにプラスの効果がありました。 結論：この研究は、慢性湿疹または乾癬患者のデータ特性と標的転帰との関係に関する貴重な洞察を提供し、慢性疾患管理と患者ケアの改善におけるスマートフォンと自動車技術の可能性を強調しています。

BACKGROUND: Rapid digitalization in health care has led to the adoption of digital technologies; however, limited trust in internet-based health decisions and the need for technical personnel hinder the use of smartphones and machine learning applications. To address this, automated machine learning (AutoML) is a promising tool that can empower health care professionals to enhance the effectiveness of mobile health apps. OBJECTIVE: We used AutoML to analyze data from clinical studies involving patients with chronic hand and/or foot eczema or psoriasis vulgaris who used a smartphone monitoring app. The analysis focused on itching, pain, Dermatology Life Quality Index (DLQI) development, and app use. METHODS: After extensive data set preparation, which consisted of combining 3 primary data sets by extracting common features and by computing new features, a new pseudonymized secondary data set with a total of 368 patients was created. Next, multiple machine learning classification models were built during AutoML processing, with the most accurate models ultimately selected for further data set analysis. RESULTS: Itching development for 6 months was accurately modeled using the light gradient boosted trees classifier model (log loss: 0.9302 for validation, 1.0193 for cross-validation, and 0.9167 for holdout). Pain development for 6 months was assessed using the random forest classifier model (log loss: 1.1799 for validation, 1.1561 for cross-validation, and 1.0976 for holdout). Then, the random forest classifier model (log loss: 1.3670 for validation, 1.4354 for cross-validation, and 1.3974 for holdout) was used again to estimate the DLQI development for 6 months. Finally, app use was analyzed using an elastic net blender model (area under the curve: 0.6567 for validation, 0.6207 for cross-validation, and 0.7232 for holdout). Influential feature correlations were identified, including BMI, age, disease activity, DLQI, and Hospital Anxiety and Depression Scale-Anxiety scores at follow-up. App use increased with BMI >35, was less common in patients aged >47 years and those aged 23 to 31 years, and was more common in those with higher disease activity. A Hospital Anxiety and Depression Scale-Anxiety score >8 had a slightly positive effect on app use. CONCLUSIONS: This study provides valuable insights into the relationship between data characteristics and targeted outcomes in patients with chronic eczema or psoriasis, highlighting the potential of smartphone and AutoML techniques in improving chronic disease management and patient care.