AI mudel ennustab vähi kiiritusravi ajal planeerimata hospitaliseerimiste tõenäosust

AI mudel ennustab vähi kiiritusravi ajal planeerimata hospitaliseerimiste tõenäosust

Teadlaste välja töötatud tehisintellekti (AI) mudel võib ennustada tõenäosust, et patsient kogeb vähi kiiritusravi ajal planeerimata haiglaravi. Masinõppemudel kasutab patsientide tervise jälgimiseks vähiravi ajal igapäevaseid sammude loendeid, pakkudes arstidele isikupärastatud ravi osutamiseks reaalajas meetodit. Tulemusi esitletakse täna Ameerika Kiirgusonkoloogia Seltsi (ASTRO) aastakoosolekul.

Hinnanguliselt 10–20% ambulatoorset kiiritus- või kemoradioteraapiat saavatest patsientidest vajavad vähiravi ajal ägedat abi erakorralise meditsiini osakonna (ED) visiidi või haiglaravi vormis. Need planeerimata haiglaravid võivad olla vähiravi saavate inimeste jaoks suureks väljakutseks, põhjustades ravikatkestusi ja stressi, mis võib mõjutada kliinilisi tulemusi. Varajane avastamine ja sekkumine suurema tüsistuste riskiga patsientidel võib neid sündmusi ära hoida.

Kui suudate ennustada patsiendi planeerimata hospitaliseerimise riski, saate muuta viisi, kuidas te teda vähiraviga toetate, ja vähendada tõenäosust, et patsient satub kiirabisse või haiglasse.

Julian Hong, MD, uuringu vanemautor

Julian Hong on kiirgusonkoloogia ja arvutuslike terviseteaduste abiprofessor California ülikoolis San Franciscos (UCSF), kus ta töötab ka kiirgusonkoloogia informaatika meditsiinidirektorina.

Dr Hongi töörühm on varem näidanud, et masinõppealgoritm võib kasutada terviseandmeid, nagu vähi ajalugu ja raviplaan, et tuvastada vähiravi ajal suurema riskiga ED-visiitidega patsiente ning et nende pakkujate täiendav jälgimine vähendab nende patsientide akuutravi määra.

Käesolevas uuringus töötas ta koos UCSF-i juhtivautori ja kliiniliste andmete teadlase Isabel Friesneriga koos MD Nitin Ohri ja kolleegidega New Yorgi Montefiore'i meditsiinikeskuses, et rakendada masinõppe lähenemisviise kantavate tarbeseadmete andmetele. Dr Ohri ja tema meeskond kogusid varem andmeid 214 patsiendi kohta kolmes prospektiivses kliinilises uuringus (NCT02649569, NCT03102229, NCT03115398). Kõigis neis uuringutes kandsid osalejad kehalise võimekuse jälgijaid, mis jälgisid nende aktiivsust mitme nädala jooksul, kui nad said kemoradioteraapiat. Uuringus osalejatel oli erinevat tüüpi primaarseid kasvajaid, kõige sagedamini pea- ja kaelavähk (30%) või kopsuvähk (29%).

Sammude loendeid ja muid nende patsientide kirjete andmeid kasutati elastse netoreguleeritud logistilise regressioonimudeli väljatöötamiseks ja testimiseks. See on masinõppemudeli tüüp, mis suudab analüüsida suurt hulka keerulist teavet. Nende mudeli eesmärk oli ennustada tõenäosust, et patsient satub järgmise nädala jooksul haiglasse, tuginedes kahe eelneva nädala andmetele.

Teadlased koostasid mudeli esmalt, uurides, kui hästi erinevad muutujad ennustasid haiglaravi, kasutades 70% uuringus osalejate (151 inimese) andmeid. Potentsiaalsed ennustajad mudelis hõlmasid patsiendi omadusi (nt vanust, ECOG-i jõudlust) ja aktiivsusandmeid, mida mõõdeti enne ravi ja ravi ajal. Lisaks igapäevastele sammude loendamisele arvutasid teadlased välja ka muid mõõdikuid, näiteks: B. Suhtelised muutused inimese nädala keskmistes või vahe minimaalse ja maksimaalse nädala sammude arvu vahel.

Seejärel kinnitas uurimisrühm mudeli ülejäänud 30% patsientidest (63 inimest). Sammude loendust sisaldav mudel ennustas tugevalt järgmisel nädalal haiglasse sattumist (AUC = 0,80, 95% usaldusvahemik [CI] 0,60–0,90) ja see ületas märkimisväärselt ilma sammude loendamata mudelit (AUC = 0,46, 95% CI 0,24–0,66, p < 0,001).

"Sammude loendused vahetult enne ennustusakent olid üldiselt informatiivsemad kui kliinilised muutujad. Sammude loenduse dünaamiline olemus, asjaolu, et need muutuvad iga päev, näib muutvat need eriti heaks patsiendi tervisliku seisundi näitajaks," ütles dr Hong.

Mudeli peamised ennustavad muutujad hõlmasid iga viimase kahe päeva sammude arvu, samuti suhtelisi muutusi maksimaalses sammude arvus ja sammude loendusvahemikus viimase kahe nädala jooksul.

Dünaamiliste andmete kasutamine eristab seda mudelit mudelitest, mis põhinevad sellistel kliinilistel andmetel nagu sooritusvõime ja kasvaja histoloogia. "Selle mudeli üks unikaalseid osi on see, et see on kujundatud jooksva prognoosina," selgitas pr Friesner. "Algoritmi saate käivitada igal päeval ja teil on nädal ette ettekujutus patsiendi riskitasemest, mis annab teile aega neile vajaliku lisatugi pakkumiseks."

Dr Hong selgitas, et see täiendav toetus on haiglas viibimise arvu vähendamisel võtmetähtsusega, olgu selleks siis sagedasemate kontrollvisiitide planeerimine, patsiendi raviplaani muutmine või muu personaliseeritud lähenemine. "Toimingu põhiolemus seisneb selles, et see on täiendav puutepunkt arstile patsiendi vastuvõtuks. See annab patsiendile meelerahu, teades, et me ootame neid."

"Kuna üha rohkem inimesi hakkab kasutama kantavaid esemeid, tekib küsimus, kas nende kogutud andmed võivad olla kasulikud. Meie uuring näitab, et meie patsientide igapäevaelus oma terviseandmete kogumine on väärtuslik ning saame neid andmeid kasutada nende tervisliku seisundi jälgimiseks ja prognoosimiseks," lisas pr Friesner.

Järgmised sammud uurijate jaoks hõlmavad algoritmi rangemat valideerimist Dr. Ohri juhitud NRGF-001 uuringus (NCT04878952) kirjeldatud viisil, mille käigus randomiseeritakse kopsuvähi CRT-ga patsiendid ravile koos igapäevase sammude loenduse jälgimisega või ilma. Sammude loenduse rühma kuuluvate patsientide arstid saavad mudelist andmeid kogu raviprotsessi vältel.

Teadlased kavandavad ka muid uuringuid, et uurida täiendavaid kantavate seadmete kogutud mõõdikuid, näiteks: B. südame löögisagedus ja selle kasutamine kliinikus.

"Kallatavad seadmed ja patsientide genereeritud terviseandmed on veel suhteliselt uued nähtused ja me alles õpime, kuidas need kasulikud olla. Millist muud teavet saame paljudest meie elus leiduvatest anduritest? Kuidas saavad need mõõdikud üksteist täiendada ja töötada koos teist tüüpi andmetega, näiteks elektrooniliste tervisekaartidega? Erinevad andmepunktid võivad erinevate patsientide jaoks paremini toimida," ütles pr Friesner.

Pärast telemeditsiini ja kaugravi laialdast kasutuselevõttu viimastel aastatel võib suureneda ka vajadus kaugseire järele patsiendi seadmete kaudu. Arstid ja poliitikakujundajad peaksid nendele seadmetele juurdepääsu meeles pidama, kuna need muutuvad üha populaarsemaks, ütles dr Hong.

"Üks väljakutseid reaalsete kantavate andmetega töötamisel on majanduslikud ja rassilised erinevused, mis mõjutavad seda, kes omab seda tüüpi andmeid püüdvaid seadmeid. Minu arvates on oluline välja töötada tööriistu, mis on kliiniku jaoks kasulikud, kuid on kättesaadavad ka laiemale hulgale patsientidele."

Allikas:

Ameerika Kiirgusonkoloogia Selts

.