El modelo de IA predice la probabilidad de hospitalizaciones no planificadas durante los tratamientos de radiación contra el cáncer

El modelo de IA predice la probabilidad de hospitalizaciones no planificadas durante los tratamientos de radiación contra el cáncer

Un modelo de inteligencia artificial (IA) desarrollado por investigadores puede predecir la probabilidad de que un paciente experimente una hospitalización no planificada durante su tratamiento de radiación para el cáncer. El modelo de aprendizaje automático utiliza el recuento de pasos diarios como indicador para monitorear la salud de los pacientes durante la terapia contra el cáncer, brindando a los médicos un método en tiempo real para brindar atención personalizada. Los resultados se presentarán hoy en la reunión anual de la Sociedad Estadounidense de Oncología Radioterápica (ASTRO).

Se estima que entre el 10% y el 20% de los pacientes que reciben radiación o quimiorradioterapia ambulatoria requieren cuidados intensivos en forma de una visita al departamento de emergencias (SU) u hospitalización durante el tratamiento del cáncer. Estas hospitalizaciones no planificadas pueden ser un desafío importante para las personas que reciben tratamiento contra el cáncer, ya que provocan interrupciones del tratamiento y estrés que pueden afectar los resultados clínicos. La detección e intervención tempranas en pacientes con mayor riesgo de complicaciones pueden prevenir estos eventos.

Si se puede predecir el riesgo de un paciente de sufrir una hospitalización no planificada, se puede cambiar la forma de apoyarlo con su tratamiento contra el cáncer y reducir la probabilidad de que acabe en la sala de urgencias o en el hospital”.

Julian Hong, MD, autor principal del estudio

Julian Hong es profesor asistente de Oncología Radioterápica y Ciencias de la Salud Computacional en la Universidad de California, San Francisco (UCSF), donde también se desempeña como Director Médico de Informática de Oncología Radioterápica.

El equipo del Dr. Hong ha demostrado anteriormente que un algoritmo de aprendizaje automático puede utilizar datos de salud, como el historial de cáncer y el plan de tratamiento, para identificar a los pacientes con mayor riesgo de visitas al servicio de urgencias durante el tratamiento del cáncer y que el seguimiento adicional por parte de sus proveedores reduce las tasas de atención aguda para estos pacientes.

Para el estudio actual, él e Isabel Friesner, autora principal y científica de datos clínicos de la UCSF, trabajaron con el Dr. Nitin Ohri y sus colegas del Centro Médico Montefiore de Nueva York para aplicar enfoques de aprendizaje automático a los datos de dispositivos portátiles de consumo. El Dr. Ohri y su equipo recopilaron previamente datos de 214 pacientes en tres ensayos clínicos prospectivos (NCT02649569, NCT03102229, NCT03115398). En cada uno de estos estudios, los participantes usaron rastreadores de actividad física que monitorearon su actividad durante varias semanas mientras recibían quimiorradioterapia. Los participantes del estudio tenían varios tipos de tumores primarios, más comúnmente cáncer de cabeza y cuello (30%) o cáncer de pulmón (29%).

Se utilizaron recuentos de pasos y otros datos de los registros de estos pacientes para desarrollar y probar un modelo de regresión logística regularizada de red elástica, un tipo de modelo de aprendizaje automático que puede analizar una gran cantidad de información compleja. El objetivo de su modelo era predecir la probabilidad de que un paciente fuera hospitalizado la próxima semana basándose en los datos de las dos semanas anteriores.

Los investigadores primero construyeron el modelo examinando qué tan bien varias variables predecían la hospitalización, utilizando datos del 70% de los participantes del estudio (151 personas). Los posibles predictores en el modelo incluyeron características del paciente (p. ej., edad, estado funcional ECOG) y datos de actividad medidos antes y durante el tratamiento. Además del recuento de pasos diarios, los investigadores calcularon otras métricas, como cambios relativos en los promedios semanales de una persona o la diferencia entre el número mínimo y máximo de pasos por semana.

Luego, el equipo de investigación validó el modelo en el 30% restante de los pacientes (63 personas). El modelo que incorporaba el recuento de pasos predijo fuertemente la hospitalización la semana siguiente (AUC = 0,80, intervalo de confianza [IC] del 95 %: 0,60-0,90) y superó significativamente al modelo sin recuento de pasos (AUC = 0,46, IC del 95 %: 0,24-0,66, p<0,001).

"Los recuentos de pasos inmediatamente antes de la ventana de predicción eran generalmente más informativos que las variables clínicas. La naturaleza dinámica de los recuentos de pasos, el hecho de que cambian todos los días, parece convertirlos en un indicador particularmente bueno del estado de salud de un paciente", afirmó el Dr. Hong.

Las variables predictivas clave en el modelo incluyeron el recuento de pasos de cada uno de los últimos dos días, así como los cambios relativos en el recuento máximo de pasos y el rango de recuento de pasos durante las últimas dos semanas.

El uso de datos dinámicos distingue este modelo de los modelos basados ​​en datos clínicos como el estado funcional y la histología del tumor. "Una de las partes únicas de este modelo es que está diseñado para ser un pronóstico continuo", explicó la Sra. Friesner. "Puede ejecutar el algoritmo cualquier día y tener una idea del nivel de riesgo de un paciente con una semana de anticipación, lo que le brinda tiempo para brindar el apoyo adicional que necesita".

Este apoyo adicional es clave para reducir las estancias hospitalarias, explicó el Dr. Hong, ya sea programando visitas de seguimiento más frecuentes, cambiando el plan de tratamiento del paciente o adoptando otro enfoque personalizado. "El núcleo de lo que funciona es que este es un punto de contacto adicional para que un médico vea a un paciente. Le da al paciente la tranquilidad de saber que lo estamos cuidando".

"A medida que más personas comienzan a utilizar dispositivos portátiles, surge la pregunta de si los datos que recopilan podrían ser útiles. Nuestro estudio muestra que es valioso que nuestros pacientes recopilen sus propios datos de salud en la vida cotidiana, y que podemos usar estos datos para luego monitorear y predecir su estado de salud", añadió la Sra. Friesner.

Los próximos pasos para los investigadores incluyen una validación más rigurosa del algoritmo en la forma descrita por el ensayo NRGF-001 dirigido por el Dr. Ohri (NCT04878952), que asignará al azar a pacientes sometidos a TRC para cáncer de pulmón a tratamiento con o sin monitorización diaria del recuento de pasos. Los médicos de los pacientes del grupo Step Count reciben datos del modelo durante todo el proceso de tratamiento.

Los investigadores también planean otros estudios para examinar métricas adicionales recopiladas por dispositivos portátiles, como la frecuencia cardíaca y su uso en la clínica.

"Los dispositivos portátiles y los datos de salud generados por los pacientes son todavía fenómenos relativamente nuevos, y todavía estamos aprendiendo cómo pueden ser útiles. ¿Qué otra información podemos obtener de los muchos sensores en nuestras vidas? ¿Cómo pueden estas métricas complementarse entre sí y funcionar con otros tipos de datos, como registros médicos electrónicos? Diferentes puntos de datos podrían funcionar mejor para diferentes pacientes", dijo la Sra. Friesner.

Tras la adopción generalizada de la telemedicina y la atención remota en los últimos años, también puede aumentar la necesidad de monitoreo remoto a través de dispositivos para pacientes. Los médicos y los responsables de la formulación de políticas deben tener en cuenta el acceso a estos dispositivos a medida que se vuelven cada vez más populares, Dr. Hong.

"Uno de los desafíos de trabajar con datos portátiles del mundo real son las disparidades económicas y raciales que afectan quién posee los dispositivos que pueden capturar este tipo de datos. Creo que es importante desarrollar herramientas que sean útiles para la clínica pero que también sean accesibles para una gama más amplia de pacientes".

Fuente:

Sociedad Americana de Oncología Radioterápica

.