AI-model forudsiger sandsynligheden for uplanlagte hospitalsindlæggelser under kræftstrålebehandlinger

AI-model forudsiger sandsynligheden for uplanlagte hospitalsindlæggelser under kræftstrålebehandlinger

En kunstig intelligens-model (AI) udviklet af forskere kan forudsige sandsynligheden for, at en patient oplever en uplanlagt indlæggelse under deres strålebehandling for kræft. Maskinlæringsmodellen bruger daglige skridttællinger som en proxy til at overvåge patienters helbred under kræftbehandling, hvilket giver læger en realtidsmetode til at levere personlig pleje. Resultaterne vil blive præsenteret i dag på det årlige møde i American Society for Radiation Oncology (ASTRO).

Anslået 10-20% af patienter, der modtager ambulant stråling eller kemoradioterapi, har brug for akut behandling i form af et akutmodtagelsesbesøg (ED) eller hospitalsindlæggelse under deres kræftbehandling. Disse uplanlagte indlæggelser kan være en stor udfordring for mennesker, der gennemgår kræftbehandling, hvilket kan forårsage behandlingsafbrydelser og stress, der kan påvirke kliniske resultater. Tidlig opdagelse og intervention hos patienter med højere risiko for komplikationer kan forhindre disse hændelser.

Hvis du kan forudsige en patients risiko for en uplanlagt hospitalsindlæggelse, kan du ændre den måde, du støtter dem på med deres kræftbehandling og mindske sandsynligheden for, at de ender på skadestuen eller hospitalet.”

Julian Hong, MD, seniorforfatter af undersøgelsen

Julian Hong er assisterende professor i strålingsonkologi og beregningsmæssig sundhedsvidenskab ved University of California, San Francisco (UCSF), hvor han også fungerer som medicinsk direktør for stråleonkologisk informatik.

Holdet af Dr. Hong har tidligere vist, at en maskinlæringsalgoritme kan bruge sundhedsdata såsom kræfthistorie og behandlingsplan til at identificere patienter med højere risiko for ED-besøg under kræftbehandling, og at yderligere overvågning fra deres udbydere reducerer antallet af akut pleje for disse patienter.

Til det aktuelle studie arbejdede han og Isabel Friesner, hovedforfatter og klinisk dataforsker ved UCSF, sammen med Nitin Ohri, MD, og ​​kolleger ved Montefiore Medical Center i New York for at anvende maskinlæringstilgange til data fra bærbare forbrugerenheder. Dr. Ohri og hans team indsamlede tidligere data fra 214 patienter i tre prospektive kliniske forsøg (NCT02649569, NCT03102229, NCT03115398). I hver af disse undersøgelser bar deltagerne fitness-trackere, der overvågede deres aktivitet over flere uger, mens de modtog kemoradioterapi. Undersøgelsesdeltagere havde forskellige typer primære tumorer, mest almindeligt hoved-hals (30 %) eller lungekræft (29 %).

Skridttællinger og andre data fra disse patienters journaler blev brugt til at udvikle og teste en elastisk netregulariseret logistisk regressionsmodel, en type maskinlæringsmodel, der kan analysere en stor mængde kompleks information. Målet med deres model var at forudsige sandsynligheden for, at en patient ville blive indlagt i den næste uge baseret på de foregående to ugers data.

Forskere byggede først modellen ved at undersøge, hvor godt forskellige variabler forudsagde hospitalsindlæggelse, ved hjælp af data fra 70 % af undersøgelsens deltagere (151 personer). Potentielle prædiktorer i modellen inkluderede patientkarakteristika (f.eks. alder, ECOG-præstationsstatus) og aktivitetsdata målt før og under behandlingen. Ud over daglige skridttællinger beregnede forskere andre målinger, såsom: B. Relative ændringer i en persons ugentlige gennemsnit eller forskellen mellem minimum og maksimum antal skridt om ugen.

Forskerholdet validerede derefter modellen på de resterende 30 % af patienterne (63 personer). Modellen med trintællinger var stærkt prædiktiv for hospitalsindlæggelse den følgende uge (AUC = 0,80, 95 % konfidensinterval [CI] 0,60-0,90), og den klarede sig signifikant bedre end modellen uden trintælling (AUC = 0,46, 95 % CI 0,24-<0,60, p<0,60).

"Trintal umiddelbart før forudsigelsesvinduet var generelt mere informative end kliniske variabler. Den dynamiske karakter af skridttællinger, det faktum, at de ændrer sig hver dag, ser ud til at gøre dem til en særlig god indikator for en patients helbredsstatus," sagde Dr. Hong.

Nøgleprædiktorvariabler i modellen inkluderede trintællinger fra hver af de seneste to dage, såvel som de relative ændringer i maksimalt trinantal og trinantalinterval over de seneste to uger.

Brugen af ​​dynamiske data adskiller denne model fra modeller baseret på kliniske data såsom præstationsstatus og tumorhistologi. "En af de unikke dele af denne model er, at den er designet til at være en rullende prognose," forklarede Friesner. "Du kan køre algoritmen på en hvilken som helst dag og have en idé om en patients risikoniveau en uge i forvejen, hvilket giver dig tid til at give den ekstra støtte, de har brug for."

Denne ekstra støtte er nøglen til at reducere hospitalsophold, forklarede Dr. Hong, uanset om det er planlægning af hyppigere opfølgningsbesøg, ændring af patientens behandlingsplan eller en anden personlig tilgang. "Kernen i, hvad der virker, er, at dette er et ekstra touchpoint for en læge at se en patient. Det giver patienten ro i sindet at vide, at vi holder øje med dem."

"Efterhånden som flere mennesker begynder at bruge wearables, opstår spørgsmålet, om de data, de indsamler, kan være nyttige. Vores undersøgelse viser, at der er værdi i, at vores patienter indsamler deres egne helbredsdata i hverdagen, og at vi kan bruge disse data til derefter at overvåge og forudsige deres helbredstilstand," tilføjede fru Friesner.

De næste trin for efterforskerne omfatter mere stringent validering af algoritmen på den måde, der er beskrevet af Dr. Ohri-ledet NRGF-001-studie (NCT04878952), som vil randomisere patienter, der gennemgår CRT for lungekræft, til behandling med eller uden daglig overvågning af skridttæller. Læger til patienter i Step Count-armen modtager data fra modellen gennem hele behandlingsforløbet.

Forskerne planlægger også andre undersøgelser for at undersøge yderligere målinger indsamlet af bærbare enheder, såsom: B. hjertefrekvens og dens brug i klinikken.

"Bærbare enheder og patientgenererede sundhedsdata er stadig relativt nye fænomener, og vi er stadig ved at lære, hvordan de kan være nyttige. Hvilken anden information kan vi få fra de mange sensorer i vores liv? Hvordan kan disse målinger komplementere hinanden og arbejde sammen med andre typer data, såsom elektroniske sundhedsjournaler? Forskellige datapunkter fungerer måske bedre for forskellige patienter," sagde Friesner.

Efter den udbredte anvendelse af telemedicin og fjernbehandling i de senere år, kan behovet for fjernovervågning via patientenheder også stige. Klinikere og politiske beslutningstagere bør have adgang til disse enheder i tankerne, efterhånden som de bliver mere og mere populære, Dr. Hong.

"En af udfordringerne ved at arbejde med bærbare data fra den virkelige verden er de økonomiske og racemæssige forskelle, der påvirker, hvem der ejer enheder, der kan fange denne type data. Jeg tror, ​​det er vigtigt at udvikle værktøjer, der er nyttige for klinikken, men som også er tilgængelige for en bredere vifte af patienter."

Kilde:

American Society for Radiation Oncology

.