Prediction of metformin-associated lactic acidosis using machine learning techniques: A case study of Surin hospital

Abstract

Objective: To develop a predictive model for metformin-associated lactic acidosis (MALA) and compare the prediction of MALA among various models using different machine learning techniques. Methods: The study retrospectively collected data from electronic medical records of diabetic patients aged 18 years and over who received metformin at Surin Hospital between January 2017 and December 2021. The factors used to build the model were body mass index, metformin daily dose, obesity, NSAIDs use within the past 6 months, thiazides use, use of beta blockers, use of statins, renal function, dyslipidemia and duration of being diagnosed with diabetes. The study used a supervised machine learning technique with classification algorithm. Machine learning techniques used were Logistic Regression (LR), Multi-layer Perceptron (MLP), Support Vector Machine (SVM), and Random Forest (RF). Results: There were 8,505 diabetic patients receiving metformin including 8,387 of those without MALA and 118 with MALA. RF and MLP models were significantly more accurate than LR. The RF model showed sensitivity 93.30%, specificity 93.57%, accuracy 95.26%, and AUROC of 0.992. Conclusion: The MALA prediction model using RF machine learning technique was the most efficient model.

วัตถุประสงค์: พัฒนาแบบจำลองการทำนายภาวะเลือดเป็นกรดจากแลคติกที่สัมพันธ์กับการใช้ยาเมทฟอร์มิน (metformin-associated lactic acidosis: MALA) และเปรียบเทียบผลการทำนายภาวะ MALA จากแบบจำลองด้วยเทคนิคการเรียนรู้ของเครื่องแต่ละประเภท วิธีการ: การศึกษาเก็บข้อมูลแบบย้อนหลังจากเวชระเบียนอิเล็กทรอนิกส์ของผู้ป่วยเบาหวานอายุ 18 ปีขึ้นไปที่ได้รับยาเมทฟอร์มินของโรงพยาบาลสุรินทร์ ระหว่าง มกราคม 2560 ถึง ธันวาคม 2564 ปัจจัยที่นำมาสร้างแบบจำลองคือ ค่าดัชนีมวลกาย ขนาดยาเมทฟอร์มินที่ได้รับต่อวัน โรคอ้วน การได้ NSAIDs ใน 6 เดือน การได้รับยากลุ่ม thiazides การได้รับยากลุ่ม beta blockers การได้รับยากลุ่ม statins ระดับการทำงานของไต ภาวะไขมันในเลือดผิดปกติ และระยะเวลาที่ได้รับการวินิจฉัยโรคเบาหวาน การศึกษาใช้เทคนิคการเรียนรู้ของเครื่องชนิดมีผู้สอนแบบแบ่งแยกประเภท เทคนิคการเรียนรู้ของเครื่องที่ใช้ได้แก่ Logistic Regression (LR), Multi-layer Perceptron (MLP), Support Vector Machine (SVM) และ Random Forest (RF) ผลการวิจัย: ผู้ป่วยเบาหวานที่ได้รับยาเมทฟอร์มิน 8,505 ราย แบ่งเป็นผู้ป่วยเบาหวานปกติ 8,387 ราย และผู้ป่วยเบาหวานที่เกิดภาวะ MALA 118 ราย แบบจำลองเทคนิค RF และ MLP มีความถูกต้องมากกว่า LR อย่างมีนัยสำคัญ เมื่อทดสอบพบแบบจำลองเทคนิค RF ให้ค่า sensitivity 93.30%, specificity 93.57%, accuracy 95.26%, และ AUROC 0.992 สรุป: แบบจำลองการทำนายภาวะ MALA ด้วยเทคนิคการเรียนรู้ของเครื่องโดยเทคนิค RF ให้แบบจำลองที่มีประสิทธิภาพสูงสุด