AI моделът прогнозира вероятността от непланирани хоспитализации по време на радиационно лечение на рак

AI моделът прогнозира вероятността от непланирани хоспитализации по време на радиационно лечение на рак

Модел на изкуствен интелект (AI), разработен от изследователи, може да предвиди вероятността пациент да претърпи непланирана хоспитализация по време на лъчелечението си за рак. Моделът за машинно обучение използва броя на ежедневните стъпки като прокси за наблюдение на здравето на пациентите по време на терапията на рак, предоставяйки на лекарите метод в реално време за предоставяне на персонализирана грижа. Резултатите ще бъдат представени днес на годишната среща на Американското дружество по радиационна онкология (ASTRO).

Приблизително 10-20% от пациентите, подложени на амбулаторно облъчване или химиолъчетерапия, се нуждаят от спешна помощ под формата на посещение в спешно отделение (ЕД) или хоспитализация по време на лечението на рак. Тези непланирани хоспитализации могат да бъдат голямо предизвикателство за хората, подложени на лечение на рак, причинявайки прекъсвания на лечението и стрес, който може да повлияе на клиничните резултати. Ранното откриване и намеса при пациенти с по-висок риск от усложнения може да предотврати тези събития.

Ако можете да предвидите риска на пациента от непланирана хоспитализация, можете да промените начина, по който го подкрепяте при лечението на рак и да намалите вероятността той да се окаже в спешното отделение или болница.

Джулиан Хонг, д-р, старши автор на изследването

Джулиан Хонг е асистент професор по радиационна онкология и компютърни здравни науки в Калифорнийския университет, Сан Франциско (UCSF), където също така служи като медицински директор на радиационната онкологична информатика.

Екипът на д-р Хонг по-рано показа, че алгоритъм за машинно обучение може да използва здравни данни като история на рак и план за лечение, за да идентифицира пациенти с по-висок риск от посещения в ЕД по време на лечение на рак и че допълнителното наблюдение от техните доставчици намалява честотата на спешни грижи за тези пациенти.

За настоящото проучване той и Изабел Фризнер, водещ автор и учен по клинични данни в UCSF, работиха с д-р Нитин Охри и колеги от Медицински център Монтефиоре в Ню Йорк, за да приложат подходи за машинно обучение към данни от потребителски устройства за носене. Д-р Охри и неговият екип преди това са събрали данни от 214 пациенти в три проспективни клинични проучвания (NCT02649569, NCT03102229, NCT03115398). Във всяко от тези проучвания участниците носеха фитнес тракери, които наблюдаваха активността им в продължение на няколко седмици, докато получаваха химиолъчетерапия. Участниците в проучването са имали различни видове първични тумори, най-често на главата и шията (30%) или рак на белия дроб (29%).

Броят на стъпките и други данни от записите на тези пациенти бяха използвани за разработване и тестване на еластичен мрежов модел на логистична регресия, вид модел на машинно обучение, който може да анализира голямо количество сложна информация. Целта на техния модел беше да се предвиди вероятността пациентът да бъде хоспитализиран през следващата седмица въз основа на данните от предишните две седмици.

Изследователите първо изградиха модела, като изследваха колко добре различни променливи предсказват хоспитализацията, използвайки данни от 70% от участниците в проучването (151 души). Потенциалните предиктори в модела включват характеристики на пациента (напр. възраст, състояние на ефективността по ECOG) и данни за активността, измерени преди и по време на лечението. В допълнение към дневния брой стъпки, изследователите изчисляват други показатели, като: B. Относителни промени в средните седмични стойности на човек или разликата между минималния и максималния брой стъпки на седмица.

След това изследователският екип валидира модела върху останалите 30% от пациентите (63 души). Моделът, включващ преброяване на стъпките, е силно предсказуем за хоспитализация през следващата седмица (AUC = 0,80, 95% доверителен интервал [CI] 0,60-0,90) и значително превъзхожда модела без преброяване на стъпките (AUC = 0,46, 95% CI 0,24-0,66, p<0,001).

„Броят на стъпките непосредствено преди прозореца за прогнозиране като цяло е по-информативен от клиничните променливи. Динамичният характер на броя на стъпките, фактът, че те се променят всеки ден, изглежда ги прави особено добър индикатор за здравословното състояние на пациента“, каза д-р Хонг.

Ключовите предикторни променливи в модела включват броя на стъпките от всеки от последните два дни, както и относителните промени в максималния брой стъпки и диапазона на броя на стъпките през последните две седмици.

Използването на динамични данни отличава този модел от моделите, базирани на клинични данни, като състояние на ефективността и хистология на тумора. „Една от уникалните части на този модел е, че той е проектиран да бъде текуща прогноза“, обясни г-жа Фризнер. „Можете да стартирате алгоритъма всеки ден и да имате представа за нивото на риск на пациента седмица предварително, което ви дава време да осигурите допълнителната подкрепа, от която се нуждаят.“

Тази допълнителна подкрепа е от ключово значение за намаляване на болничния престой, обясни д-р Хонг, независимо дали става въпрос за планиране на по-чести последващи посещения, промяна на плана за лечение на пациента или прилагане на друг персонализиран подход. „Същността на това, което работи, е, че това е допълнителна допирна точка за лекаря да види пациент. Това дава на пациента спокойствие, знаейки, че се грижим за него.“

„Тъй като все повече хора започват да използват носими устройства, възниква въпросът дали данните, които събират, могат да бъдат полезни. Нашето проучване показва, че има стойност в това нашите пациенти да събират собствени здравни данни в ежедневието си и че можем да използваме тези данни, за да наблюдаваме и прогнозираме тяхното здравословно състояние“, добави г-жа Фризнер.

Следващите стъпки за изследователите включват по-стриктно валидиране на алгоритъма по начина, описан в ръководеното от д-р Ohri проучване NRGF-001 (NCT04878952), което ще рандомизира пациентите, подложени на CRT за рак на белия дроб, на лечение със или без ежедневно проследяване на броя на стъпките. Лекарите на пациентите в рамото за броене на стъпки получават данни от модела през целия процес на лечение.

Изследователите също така планират други проучвания, за да проучат допълнителни показатели, събрани от устройства за носене, като: Б. сърдечен ритъм и използването му в клиниката.

„Носимите устройства и здравните данни, генерирани от пациентите, са все още сравнително нови явления и ние все още се учим как могат да бъдат полезни. Каква друга информация можем да получим от многото сензори в нашия живот? Как тези показатели могат да се допълват взаимно и да работят с други видове данни, като електронни здравни досиета? Различните точки от данни може да работят по-добре за различни пациенти“, каза г-жа Фризнер.

След широкото приемане на телемедицината и дистанционните грижи през последните години, необходимостта от дистанционно наблюдение чрез устройства на пациенти също може да нарасне. Клиницистите и политиците трябва да имат предвид достъпа до тези устройства, тъй като те стават все по-популярни, д-р Хонг.

„Едно от предизвикателствата при работата с реални носими данни са икономическите и расови различия, които оказват влияние върху това кой притежава устройства, които могат да улавят този тип данни. Мисля, че е важно да се разработят инструменти, които са полезни за клиниката, но също така достъпни за по-широк кръг от пациенти.“

източник:

Американско дружество по радиационна онкология

.