Le modèle d'IA prédit la probabilité d'hospitalisations imprévues pendant les traitements de radiothérapie contre le cancer

Le modèle d'IA prédit la probabilité d'hospitalisations imprévues pendant les traitements de radiothérapie contre le cancer

Un modèle d’intelligence artificielle (IA) développé par des chercheurs peut prédire la probabilité qu’un patient subisse une hospitalisation imprévue pendant sa radiothérapie contre le cancer. Le modèle d'apprentissage automatique utilise le nombre de pas quotidiens comme indicateur pour surveiller la santé des patients pendant le traitement du cancer, offrant ainsi aux médecins une méthode en temps réel pour prodiguer des soins personnalisés. Les résultats seront présentés aujourd'hui lors de la réunion annuelle de l'American Society for Radiation Oncology (ASTRO).

On estime que 10 à 20 % des patients recevant une radiothérapie ou une chimioradiothérapie ambulatoire nécessitent des soins aigus sous la forme d'une visite aux urgences (SU) ou d'une hospitalisation pendant leur traitement contre le cancer. Ces hospitalisations imprévues peuvent constituer un défi majeur pour les personnes suivant un traitement contre le cancer, provoquant des interruptions de traitement et un stress pouvant avoir un impact sur les résultats cliniques. Une détection et une intervention précoces chez les patients présentant un risque plus élevé de complications peuvent prévenir ces événements.

Si vous pouvez prédire le risque d’hospitalisation imprévue d’un patient, vous pouvez changer la façon dont vous le soutenez dans son traitement contre le cancer et réduire la probabilité qu’il se retrouve aux urgences ou à l’hôpital.

Julian Hong, MD, auteur principal de l'étude

Julian Hong est professeur adjoint de radio-oncologie et de sciences informatiques de la santé à l'Université de Californie à San Francisco (UCSF), où il est également directeur médical de l'informatique en radio-oncologie.

L'équipe du Dr Hong a précédemment montré qu'un algorithme d'apprentissage automatique peut utiliser des données de santé telles que les antécédents de cancer et le plan de traitement pour identifier les patients présentant un risque plus élevé de visites aux urgences pendant le traitement du cancer et qu'une surveillance supplémentaire par leurs prestataires réduit les taux de soins aigus pour ces patients.

Pour la présente étude, lui et Isabel Friesner, auteur principal et scientifique des données cliniques à l'UCSF, ont travaillé avec Nitin Ohri, MD, et ses collègues du centre médical Montefiore à New York pour appliquer des approches d'apprentissage automatique aux données provenant d'appareils grand public portables. Le Dr Ohri et son équipe ont précédemment collecté des données auprès de 214 patients dans le cadre de trois essais cliniques prospectifs (NCT02649569, NCT03102229, NCT03115398). Dans chacune de ces études, les participants portaient des trackers de fitness qui surveillaient leur activité pendant plusieurs semaines pendant qu'ils recevaient une chimioradiothérapie. Les participants à l'étude souffraient de divers types de tumeurs primitives, le plus souvent un cancer de la tête et du cou (30 %) ou un cancer du poumon (29 %).

Le nombre de pas et d'autres données provenant des dossiers de ces patients ont été utilisés pour développer et tester un modèle de régression logistique régularisée à filet élastique, un type de modèle d'apprentissage automatique capable d'analyser une grande quantité d'informations complexes. L’objectif de leur modèle était de prédire la probabilité qu’un patient soit hospitalisé la semaine suivante sur la base des données des deux semaines précédentes.

Les chercheurs ont d’abord construit le modèle en examinant dans quelle mesure diverses variables prédisaient l’hospitalisation, en utilisant les données de 70 % des participants à l’étude (151 personnes). Les prédicteurs potentiels du modèle comprenaient les caractéristiques du patient (par exemple, l'âge, l'état de performance ECOG) et les données d'activité mesurées avant et pendant le traitement. En plus du nombre de pas quotidiens, les chercheurs ont calculé d'autres mesures, telles que : B. Les changements relatifs dans les moyennes hebdomadaires d'une personne ou la différence entre le nombre minimum et maximum de pas par semaine.

L'équipe de recherche a ensuite validé le modèle sur les 30 % de patients restants (63 personnes). Le modèle intégrant le nombre de pas était fortement prédictif d'une hospitalisation la semaine suivante (ASC = 0,80, intervalle de confiance [IC] à 95 % 0,60-0,90) et il surpassait significativement le modèle sans nombre de pas (ASC = 0,46, IC à 95 % 0,24-0,66, p<0,001).

"Le nombre de pas immédiatement avant la fenêtre de prédiction était généralement plus informatif que les variables cliniques. La nature dynamique du nombre de pas, le fait qu'ils changent chaque jour, semble en faire un indicateur particulièrement bon de l'état de santé d'un patient", a déclaré le Dr Hong.

Les principales variables prédictives du modèle comprenaient le nombre de pas de chacun des deux derniers jours, ainsi que les changements relatifs du nombre maximum de pas et de la plage du nombre de pas au cours des deux dernières semaines.

L'utilisation de données dynamiques distingue ce modèle des modèles basés sur des données cliniques telles que l'état de performance et l'histologie de la tumeur. « L'une des particularités de ce modèle est qu'il est conçu pour être une prévision continue », a expliqué Mme Friesner. "Vous pouvez exécuter l'algorithme n'importe quel jour et avoir une idée du niveau de risque d'un patient une semaine à l'avance, ce qui vous laisse le temps de lui apporter le soutien supplémentaire dont il a besoin."

Ce soutien supplémentaire est essentiel pour réduire les séjours à l'hôpital, a expliqué le Dr Hong, qu'il s'agisse de planifier des visites de suivi plus fréquentes, de modifier le plan de traitement du patient ou d'adopter une autre approche personnalisée. "L'essentiel de ce qui fonctionne est qu'il s'agit d'un point de contact supplémentaire permettant au médecin de voir un patient. Cela donne au patient une tranquillité d'esprit en sachant que nous prenons soin de lui."

« À mesure que de plus en plus de personnes commencent à utiliser des appareils portables, la question se pose de savoir si les données qu'ils collectent pourraient être utiles. Notre étude montre qu'il est utile que nos patients collectent leurs propres données de santé au quotidien, et que nous pouvons utiliser ces données pour ensuite surveiller et prédire leur état de santé », a ajouté Mme Friesner.

Les prochaines étapes pour les enquêteurs comprennent une validation plus rigoureuse de l'algorithme de la manière décrite par le Dr Ohri. essai NRGF-001 (NCT04878952), qui randomisera les patients subissant un CRT pour un cancer du poumon vers un traitement avec ou sans surveillance quotidienne du nombre de pas. Les médecins des patients du bras Step Count reçoivent les données du modèle tout au long du processus de traitement.

Les chercheurs prévoient également d'autres études pour examiner des mesures supplémentaires collectées par les appareils portables, telles que : B. la fréquence cardiaque et son utilisation en clinique.

"Les appareils portables et les données de santé générées par les patients sont encore des phénomènes relativement nouveaux, et nous apprenons encore comment ils peuvent être utiles. Quelles autres informations pouvons-nous obtenir des nombreux capteurs de nos vies ? Comment ces mesures peuvent-elles se compléter et fonctionner avec d'autres types de données, comme les dossiers de santé électroniques ? Différents points de données pourraient mieux fonctionner pour différents patients", a déclaré Mme Friesner.

Suite à l’adoption généralisée de la télémédecine et des soins à distance ces dernières années, le besoin de surveillance à distance via les appareils des patients pourrait également augmenter. Les cliniciens et les décideurs politiques devraient garder à l’esprit l’accès à ces appareils à mesure qu’ils deviennent de plus en plus populaires, Dr Hong.

« L'un des défis liés au travail avec des données portables du monde réel réside dans les disparités économiques et raciales qui ont un impact sur les propriétaires d'appareils capables de capturer ce type de données. Je pense qu'il est important de développer des outils utiles pour la clinique mais également accessibles à un plus large éventail de patients.

Source:

Société américaine de radio-oncologie

.