Το μοντέλο AI προβλέπει την πιθανότητα απρογραμμάτιστων νοσηλειών κατά τη διάρκεια θεραπειών με ακτινοβολία καρκίνου

Το μοντέλο AI προβλέπει την πιθανότητα απρογραμμάτιστων νοσηλειών κατά τη διάρκεια θεραπειών με ακτινοβολία καρκίνου

Ένα μοντέλο τεχνητής νοημοσύνης (AI) που αναπτύχθηκε από ερευνητές μπορεί να προβλέψει την πιθανότητα ένας ασθενής να βιώσει μια απρογραμμάτιστη νοσηλεία κατά τη διάρκεια της θεραπείας με ακτινοβολία για καρκίνο. Το μοντέλο μηχανικής μάθησης χρησιμοποιεί ημερήσιες μετρήσεις βημάτων ως πληρεξούσιο για την παρακολούθηση της υγείας των ασθενών κατά τη διάρκεια της θεραπείας του καρκίνου, παρέχοντας στους γιατρούς μια μέθοδο σε πραγματικό χρόνο για την παροχή εξατομικευμένης φροντίδας. Τα αποτελέσματα θα παρουσιαστούν σήμερα στην ετήσια συνάντηση της Αμερικανικής Εταιρείας Ακτινολογικής Ογκολογίας (ASTRO).

Εκτιμάται ότι το 10-20% των ασθενών που λαμβάνουν ακτινοβολία ή χημειοακτινοθεραπεία εξωτερικών ασθενών χρειάζονται οξεία φροντίδα με τη μορφή επίσκεψης στο τμήμα επειγόντων περιστατικών (ED) ή νοσηλείας κατά τη διάρκεια της θεραπείας του καρκίνου. Αυτές οι απρογραμμάτιστες νοσηλεύσεις μπορεί να είναι μια μεγάλη πρόκληση για άτομα που υποβάλλονται σε θεραπεία για τον καρκίνο, προκαλώντας διακοπές της θεραπείας και άγχος που μπορεί να επηρεάσουν τα κλινικά αποτελέσματα. Η έγκαιρη ανίχνευση και παρέμβαση σε ασθενείς με υψηλότερο κίνδυνο επιπλοκών μπορεί να αποτρέψει αυτά τα συμβάντα.

Εάν μπορείτε να προβλέψετε τον κίνδυνο ενός ασθενούς για μια απρογραμμάτιστη νοσηλεία, μπορείτε να αλλάξετε τον τρόπο με τον οποίο τον υποστηρίζετε με τη θεραπεία του καρκίνου και να μειώσετε την πιθανότητα να καταλήξει στα επείγοντα ή στο νοσοκομείο».

Julian Hong, MD, ανώτερος συγγραφέας της μελέτης

Ο Julian Hong είναι Επίκουρος Καθηγητής Ακτινολογικής Ογκολογίας και Υπολογιστικών Επιστημών Υγείας στο Πανεπιστήμιο της Καλιφόρνια, στο Σαν Φρανσίσκο (UCSF), όπου υπηρετεί επίσης ως Ιατρικός Διευθυντής Πληροφορικής της Ακτινολογικής Ογκολογίας.

Η ομάδα του Δρ. Χονγκ έχει δείξει προηγουμένως ότι ένας αλγόριθμος μηχανικής μάθησης μπορεί να χρησιμοποιήσει δεδομένα υγείας, όπως ιστορικό καρκίνου και σχέδιο θεραπείας, για να εντοπίσει ασθενείς με υψηλότερο κίνδυνο επισκέψεων ΣΔ κατά τη διάρκεια της θεραπείας του καρκίνου και ότι η πρόσθετη παρακολούθηση από τους παρόχους τους μειώνει τα ποσοστά οξείας φροντίδας για αυτούς τους ασθενείς.

Για την τρέχουσα μελέτη, αυτός και η Isabel Friesner, επικεφαλής συγγραφέας και επιστήμονας κλινικών δεδομένων στο UCSF, συνεργάστηκαν με τον Nitin Ohri, MD και συνεργάτες στο Montefiore Medical Center στη Νέα Υόρκη για να εφαρμόσουν προσεγγίσεις μηχανικής μάθησης σε δεδομένα από φορητές συσκευές καταναλωτών. Ο Δρ Ohri και η ομάδα του συνέλεξαν στο παρελθόν δεδομένα από 214 ασθενείς σε τρεις προοπτικές κλινικές δοκιμές (NCT02649569, NCT03102229, NCT03115398). Σε κάθε μία από αυτές τις μελέτες, οι συμμετέχοντες φορούσαν ιχνηλάτες φυσικής κατάστασης που παρακολουθούσαν τη δραστηριότητά τους για αρκετές εβδομάδες, ενώ λάμβαναν χημειοακτινοθεραπεία. Οι συμμετέχοντες στη μελέτη είχαν διάφορους τύπους πρωτοπαθών όγκων, πιο συχνά κεφαλής και τραχήλου (30%) ή καρκίνο του πνεύμονα (29%).

Οι μετρήσεις βημάτων και άλλα δεδομένα από τα αρχεία αυτών των ασθενών χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή ενός ελαστικού καθαρού κανονικοποιημένου μοντέλου λογιστικής παλινδρόμησης, ενός τύπου μοντέλου μηχανικής μάθησης που μπορεί να αναλύσει μεγάλο όγκο σύνθετων πληροφοριών. Ο στόχος του μοντέλου τους ήταν να προβλέψουν την πιθανότητα ένας ασθενής να νοσηλευτεί την επόμενη εβδομάδα με βάση τα δεδομένα των δύο προηγούμενων εβδομάδων.

Οι ερευνητές κατασκεύασαν αρχικά το μοντέλο εξετάζοντας πόσο καλά προέβλεψαν διάφορες μεταβλητές τη νοσηλεία, χρησιμοποιώντας δεδομένα από το 70% των συμμετεχόντων στη μελέτη (151 άτομα). Οι πιθανοί προγνωστικοί παράγοντες στο μοντέλο περιελάμβαναν χαρακτηριστικά του ασθενούς (π.χ. ηλικία, κατάσταση απόδοσης ECOG) και δεδομένα δραστηριότητας που μετρήθηκαν πριν και κατά τη διάρκεια της θεραπείας. Εκτός από τον ημερήσιο αριθμό βημάτων, οι ερευνητές υπολόγισαν και άλλες μετρήσεις, όπως: Β. Σχετικές αλλαγές στους εβδομαδιαίους μέσους όρους ενός ατόμου ή τη διαφορά μεταξύ του ελάχιστου και του μέγιστου αριθμού βημάτων ανά εβδομάδα.

Στη συνέχεια, η ερευνητική ομάδα επικύρωσε το μοντέλο στο υπόλοιπο 30% των ασθενών (63 άτομα). Το μοντέλο που ενσωματώνει τις μετρήσεις βημάτων ήταν ισχυρά προγνωστικό για τη νοσηλεία την επόμενη εβδομάδα (AUC = 0,80, 95% διάστημα εμπιστοσύνης [CI] 0,60-0,90) και ξεπέρασε σημαντικά το μοντέλο χωρίς μετρήσεις βημάτων (AUC = 0,46, 95% CI 0,24-0,60, p<<).

"Οι μετρήσεις βημάτων αμέσως πριν από το παράθυρο πρόβλεψης ήταν γενικά πιο ενημερωτικές από τις κλινικές μεταβλητές. Η δυναμική φύση των μετρήσεων βημάτων, το γεγονός ότι αλλάζουν κάθε μέρα, φαίνεται να τα καθιστά έναν ιδιαίτερα καλό δείκτη της κατάστασης της υγείας ενός ασθενούς", δήλωσε ο Δρ. Χονγκ.

Οι βασικές μεταβλητές πρόβλεψης στο μοντέλο περιλάμβαναν πλήθος βημάτων από καθεμία από τις δύο τελευταίες ημέρες, καθώς και τις σχετικές αλλαγές στο μέγιστο πλήθος βημάτων και το εύρος του πλήθους βημάτων τις τελευταίες δύο εβδομάδες.

Η χρήση δυναμικών δεδομένων διακρίνει αυτό το μοντέλο από μοντέλα που βασίζονται σε κλινικά δεδομένα όπως η κατάσταση απόδοσης και η ιστολογία του όγκου. «Ένα από τα μοναδικά μέρη αυτού του μοντέλου είναι ότι έχει σχεδιαστεί για να είναι μια κυλιόμενη πρόβλεψη», εξήγησε η κα Friesner. «Μπορείτε να εκτελέσετε τον αλγόριθμο οποιαδήποτε μέρα και να έχετε μια ιδέα για το επίπεδο κινδύνου ενός ασθενούς μια εβδομάδα νωρίτερα, δίνοντάς σας χρόνο για να παρέχετε την πρόσθετη υποστήριξη που χρειάζονται».

Αυτή η πρόσθετη υποστήριξη είναι το κλειδί για τη μείωση της παραμονής στο νοσοκομείο, εξήγησε ο Δρ Χονγκ, είτε πρόκειται για τον προγραμματισμό συχνότερων επισκέψεων παρακολούθησης, την αλλαγή του σχεδίου θεραπείας του ασθενούς ή την υιοθέτηση άλλης εξατομικευμένης προσέγγισης. "Ο πυρήνας αυτού που λειτουργεί είναι ότι αυτό είναι ένα επιπλέον σημείο επαφής για έναν γιατρό για να δει έναν ασθενή. Δίνει στον ασθενή ηρεμία γνωρίζοντας ότι τον προσέχουμε."

"Καθώς περισσότεροι άνθρωποι αρχίζουν να χρησιμοποιούν wearables, τίθεται το ερώτημα εάν τα δεδομένα που συλλέγουν θα μπορούσαν να είναι χρήσιμα. Η μελέτη μας δείχνει ότι έχει αξία στο να συλλέγουν οι ασθενείς μας τα δικά τους δεδομένα υγείας στην καθημερινή ζωή και ότι μπορούμε να χρησιμοποιήσουμε αυτά τα δεδομένα για να παρακολουθήσουμε και να προβλέψουμε την κατάσταση της υγείας τους", πρόσθεσε η κ. Friesner.

Τα επόμενα βήματα για τους ερευνητές περιλαμβάνουν πιο αυστηρή επικύρωση του αλγορίθμου με τον τρόπο που περιγράφεται από τη δοκιμή NRGF-001 υπό την καθοδήγηση του Δρ. Ohri (NCT04878952), η οποία θα τυχαιοποιήσει τους ασθενείς που υποβάλλονται σε CRT για καρκίνο του πνεύμονα σε θεραπεία με ή χωρίς καθημερινή παρακολούθηση του αριθμού των βημάτων. Οι γιατροί των ασθενών στο σκέλος του Step Count λαμβάνουν δεδομένα από το μοντέλο καθ' όλη τη διάρκεια της θεραπευτικής διαδικασίας.

Οι ερευνητές σχεδιάζουν επίσης άλλες μελέτες για να εξετάσουν πρόσθετες μετρήσεις που συλλέγονται από φορητές συσκευές, όπως: Β. καρδιακός ρυθμός και χρήση του στην κλινική.

"Οι φορητές συσκευές και τα δεδομένα υγείας που δημιουργούνται από ασθενείς εξακολουθούν να είναι σχετικά νέα φαινόμενα και εξακολουθούμε να μαθαίνουμε πώς μπορούν να είναι χρήσιμα. Ποιες άλλες πληροφορίες μπορούμε να πάρουμε από τους πολλούς αισθητήρες στη ζωή μας; Πώς μπορούν αυτές οι μετρήσεις να αλληλοσυμπληρώνονται και να λειτουργούν με άλλους τύπους δεδομένων, όπως ηλεκτρονικά αρχεία υγείας; Διαφορετικά σημεία δεδομένων μπορεί να λειτουργούν καλύτερα για διαφορετικούς ασθενείς", είπε η κα Friesner.

Μετά την ευρεία υιοθέτηση της τηλεϊατρικής και της εξ αποστάσεως φροντίδας τα τελευταία χρόνια, η ανάγκη για απομακρυσμένη παρακολούθηση μέσω συσκευών ασθενών μπορεί επίσης να αυξηθεί. Οι κλινικοί γιατροί και οι υπεύθυνοι χάραξης πολιτικής θα πρέπει να έχουν κατά νου την πρόσβαση σε αυτές τις συσκευές καθώς γίνονται όλο και πιο δημοφιλείς, Δρ. Χονγκ.

"Μία από τις προκλήσεις της εργασίας με φορητά δεδομένα του πραγματικού κόσμου είναι οι οικονομικές και φυλετικές ανισότητες που επηρεάζουν το ποιος κατέχει συσκευές που μπορούν να συλλάβουν αυτό το είδος δεδομένων. Νομίζω ότι είναι σημαντικό να αναπτυχθούν εργαλεία που είναι χρήσιμα για την κλινική αλλά και προσβάσιμα σε ένα ευρύτερο φάσμα ασθενών."

Πηγή:

American Society for Radiation Oncology

.