Model AI předpovídá pravděpodobnost neplánovaných hospitalizací během radiační léčby rakoviny

Model AI předpovídá pravděpodobnost neplánovaných hospitalizací během radiační léčby rakoviny

Model umělé inteligence (AI) vyvinutý výzkumníky dokáže předpovědět pravděpodobnost, že pacient během radiační léčby rakoviny zažije neplánovanou hospitalizaci. Model strojového učení využívá denní počty kroků jako proxy ke sledování zdraví pacientů během léčby rakoviny a poskytuje lékařům metodu v reálném čase k poskytování personalizované péče. Výsledky budou dnes prezentovány na výročním zasedání Americké společnosti pro radiační onkologii (ASTRO).

Odhaduje se, že 10–20 % pacientů ambulantně podstupujících ozařování nebo chemoradioterapii vyžaduje akutní péči v podobě návštěvy urgentního příjmu nebo hospitalizace během onkologické léčby. Tyto neplánované hospitalizace mohou být velkou výzvou pro lidi podstupující léčbu rakoviny, způsobit přerušení léčby a stres, který může ovlivnit klinické výsledky. Včasná detekce a intervence u pacientů s vyšším rizikem komplikací může těmto příhodám předejít.

Pokud dokážete předvídat pacientovo riziko neplánované hospitalizace, můžete změnit způsob, jakým ho podporujete v léčbě rakoviny a snížit pravděpodobnost, že skončí na pohotovosti nebo v nemocnici.“

Julian Hong, MD, hlavní autor studie

Julian Hong je odborným asistentem radiační onkologie a počítačových zdravotních věd na Kalifornské univerzitě v San Franciscu (UCSF), kde také působí jako lékařský ředitel informatiky radiační onkologie.

Tým Dr. Honga již dříve prokázal, že algoritmus strojového učení může využívat zdravotní údaje, jako je anamnéza rakoviny a plán léčby, k identifikaci pacientů s vyšším rizikem návštěv ED během léčby rakoviny a že dodatečné monitorování ze strany jejich poskytovatelů snižuje míru akutní péče o tyto pacienty.

Pro tuto studii on a Isabel Friesner, hlavní autorka a vědecká pracovnice v oblasti klinických dat v UCSF, spolupracovali s Nitinem Ohrim, MD a kolegy z Montefiore Medical Center v New Yorku, aby aplikovali přístupy strojového učení na data z nositelných spotřebitelských zařízení. Dr. Ohri a jeho tým dříve shromáždili data od 214 pacientů ve třech prospektivních klinických studiích (NCT02649569, NCT03102229, NCT03115398). V každé z těchto studií účastníci nosili fitness trackery, které sledovaly jejich aktivitu po dobu několika týdnů, když dostávali chemoradioterapii. Účastníci studie měli různé typy primárních nádorů, nejčastěji hlavy a krku (30 %) nebo rakovinu plic (29 %).

Počty kroků a další údaje ze záznamů těchto pacientů byly použity k vývoji a testování elastického síťového regularizovaného logistického regresního modelu, což je typ modelu strojového učení, který dokáže analyzovat velké množství komplexních informací. Cílem jejich modelu bylo na základě dat z předchozích dvou týdnů předpovědět pravděpodobnost, že bude pacient hospitalizován v příštím týdnu.

Výzkumníci nejprve vytvořili model zkoumáním toho, jak dobře různé proměnné předpovídaly hospitalizaci, a to pomocí údajů od 70 % účastníků studie (151 lidí). Potenciální prediktory v modelu zahrnovaly charakteristiky pacienta (např. věk, výkonnostní stav ECOG) a údaje o aktivitě měřené před a během léčby. Kromě denních počtů kroků výzkumníci vypočítali další metriky, jako například: B. Relativní změny v týdenních průměrech osoby nebo rozdíl mezi minimálním a maximálním počtem kroků za týden.

Výzkumný tým pak model ověřil na zbývajících 30 % pacientů (63 osob). Model zahrnující počty kroků byl silně prediktivní pro hospitalizaci následující týden (AUC = 0,80, 95% interval spolehlivosti [CI] 0,60-0,90) a významně překonal model bez počtu kroků (AUC = 0,46, 95% CI 0,24-0,66, p<0,001).

"Počty kroků bezprostředně před oknem predikce byly obecně informativnější než klinické proměnné. Zdá se, že dynamická povaha počítání kroků, skutečnost, že se každý den mění, z nich činí zvláště dobrý ukazatel zdravotního stavu pacienta," řekl Dr. Hong.

Klíčové predikční proměnné v modelu zahrnovaly počty kroků z každého z posledních dvou dnů a také relativní změny v maximálním počtu kroků a rozsahu počtu kroků za poslední dva týdny.

Použití dynamických dat odlišuje tento model od modelů založených na klinických datech, jako je výkonnostní stav a histologie nádoru. „Jednou z jedinečných částí tohoto modelu je to, že je navržen jako pohyblivá předpověď,“ vysvětlila paní Friesner. "Algoritmus můžete spustit v kterýkoli den a mít představu o úrovni rizika pacienta týden předem, což vám dává čas poskytnout další podporu, kterou potřebují."

Tato dodatečná podpora je klíčem ke snížení počtu hospitalizací, vysvětlil Dr. Hong, ať už jde o naplánování častějších následných návštěv, změnu léčebného plánu pacienta nebo jiný personalizovaný přístup. "Jádro toho, co funguje, je, že toto je další kontaktní bod pro lékaře, aby mohl vidět pacienta. Pacientovi to dává klid, protože ví, že se o něj staráme."

"S tím, jak stále více lidí začíná používat nositelná zařízení, vyvstává otázka, zda by data, která shromažďují, mohla být užitečná. Naše studie ukazuje, že má cenu, když naši pacienti sbírají svá vlastní zdravotní data v každodenním životě, a že tato data můžeme použít k následnému sledování a předpovídání jejich zdravotního stavu," dodala paní Friesner.

Další kroky pro vyšetřovatele zahrnují důslednější validaci algoritmu způsobem popsaným ve studii NRGF-001 vedenou Dr. Ohrim (NCT04878952), která randomizuje pacienty podstupující CRT pro rakovinu plic k léčbě s denním sledováním počtu kroků nebo bez něj. Lékaři pacientů v rameni Step Count dostávají data z modelu v průběhu léčebného procesu.

Výzkumníci také plánují další studie, které prozkoumají další metriky shromážděné nositelnými zařízeními, jako jsou: B. srdeční frekvence a její použití na klinice.

"Nositelná zařízení a zdravotní data generovaná pacienty jsou stále relativně novým fenoménem a stále se učíme, jak mohou být užitečná. Jaké další informace můžeme získat z mnoha senzorů v našich životech? Jak se mohou tyto metriky vzájemně doplňovat a pracovat s jinými typy dat, jako jsou elektronické zdravotní záznamy? Různé datové body mohou fungovat lépe pro různé pacienty," řekla paní Friesner.

Po širokém přijetí telemedicíny a péče na dálku v posledních letech může vzrůst i potřeba vzdáleného monitorování prostřednictvím zařízení pacientů. Lékaři a politici by měli mít na paměti přístup k těmto zařízením, protože jsou stále populárnější, Dr. Hong.

"Jednou z výzev při práci s nositelnými daty v reálném světě jsou ekonomické a rasové rozdíly, které mají vliv na to, kdo vlastní zařízení, která dokážou zachytit tento typ dat. Myslím si, že je důležité vyvinout nástroje, které jsou užitečné pro kliniku, ale také dostupné pro širší spektrum pacientů."

Zdroj:

Americká společnost pro radiační onkologii

.