Az AI-modell előrejelzi a nem tervezett kórházi kezelések valószínűségét a rák sugárkezelése során

Az AI-modell előrejelzi a nem tervezett kórházi kezelések valószínűségét a rák sugárkezelése során

A kutatók által kifejlesztett mesterséges intelligencia (AI) modell megjósolhatja annak valószínűségét, hogy egy páciens nem tervezett kórházi kezelésbe kerül a rák sugárkezelése során. A gépi tanulási modell a napi lépésszámlálást használja proxyként a betegek egészségi állapotának nyomon követésére a rákterápia során, így valós idejű módszert biztosítva az orvosoknak a személyre szabott ellátáshoz. Az eredményeket ma az American Society for Radiation Oncology (ASTRO) éves ülésén mutatják be.

Becslések szerint az ambuláns sugárkezelésben vagy kemoradioterápiában részesülő betegek 10-20%-a szorul akut ellátásra sürgősségi osztályon (ED) vagy kórházi kezelés formájában a rákkezelés során. Ezek a nem tervezett kórházi kezelések komoly kihívást jelenthetnek a rákkezelés alatt álló emberek számára, megszakíthatják a kezelést és stresszt okozhatnak, ami befolyásolhatja a klinikai eredményeket. A nagyobb szövődmények kockázatának kitett betegek korai felismerése és beavatkozása megelőzheti ezeket az eseményeket.

Ha meg tudja jósolni a beteg nem tervezett kórházi kezelésének kockázatát, megváltoztathatja a rákkezelés támogatásának módját, és csökkentheti annak valószínűségét, hogy a sürgősségi osztályon vagy kórházban végezzen.”

Julian Hong, MD, a tanulmány vezető szerzője

Julian Hong a San Francisco-i Kaliforniai Egyetem (UCSF) sugáronkológiai és számítógépes egészségügyi tudományok adjunktusa, ahol egyben a sugáronkológiai informatika orvosi igazgatója is.

Dr. Hong csapata korábban kimutatta, hogy egy gépi tanulási algoritmus felhasználhatja az egészségügyi adatokat, például a ráktörténetet és a kezelési tervet, hogy azonosítsa azokat a betegeket, akiknél nagyobb az ED-látogatás kockázata a rákkezelés során, és hogy a szolgáltatók által végzett további monitorozás csökkenti az ilyen betegek akut ellátási arányát.

A jelenlegi tanulmányban Isabel Friesnerrel, az UCSF vezető szerzőjével és klinikai adatokkal foglalkozó tudósával együtt dolgozott Nitin Ohrival, MD-vel és munkatársaival a New York-i Montefiore Medical Centerben, hogy gépi tanulási megközelítéseket alkalmazzanak a hordható fogyasztói eszközök adataira. Dr. Ohri és csapata korábban 214 beteg adatait gyűjtötte össze három prospektív klinikai vizsgálat során (NCT02649569, NCT03102229, NCT03115398). Ezen vizsgálatok mindegyikében a résztvevők fitneszkövetőt viseltek, amely több héten keresztül figyelte aktivitásukat, miközben kemoradioterápiát kaptak. A vizsgálatban résztvevőknek különböző típusú elsődleges daganatai voltak, leggyakrabban fej-nyakrák (30%) vagy tüdőrák (29%).

A lépésszámlálást és a betegek nyilvántartásából származó egyéb adatokat egy rugalmas nettó, szabályos logisztikus regressziós modell kifejlesztésére és tesztelésére használták fel, amely egy olyan típusú gépi tanulási modell, amely nagy mennyiségű összetett információt képes elemezni. Modellük célja az volt, hogy az előző két hét adatai alapján megjósolják, hogy a beteg a következő héten mekkora valószínűséggel kerül kórházba.

A kutatók először úgy építették fel a modellt, hogy megvizsgálták, hogy a különböző változók mennyire jósolják meg a kórházi kezelést, a vizsgálatban résztvevők 70%-ának (151 fő) adatainak felhasználásával. A modellben a potenciális prediktorok közé tartoztak a páciens jellemzői (pl. életkor, ECOG-teljesítmény állapota) és a kezelés előtt és alatt mért aktivitási adatok. A napi lépésszámláláson kívül a kutatók más mutatókat is kiszámítottak, mint például: B. Relatív változások egy személy heti átlagában vagy a heti minimális és maximális lépésszám közötti különbség.

A kutatócsoport ezt követően a betegek fennmaradó 30%-án (63 fő) validálta a modellt. A lépésszámlálást tartalmazó modell erősen előre jelezte a következő heti kórházi kezelést (AUC = 0,80, 95%-os konfidencia intervallum [CI] 0,60-0,90), és szignifikánsan felülmúlta a lépésszámlálás nélküli modellt (AUC = 0,46, 95% CI 0,24-0,66, p<0,001).

"A lépésszámlálások közvetlenül az előrejelzési ablak előtt általában informatívabbak voltak, mint a klinikai változók. A lépésszámlálások dinamikus természete, az a tény, hogy naponta változnak, úgy tűnik, különösen jó mutatója a páciens egészségi állapotának" - mondta Dr. Hong.

A modell kulcsfontosságú előrejelző változói közé tartozott az elmúlt két nap lépésszáma, valamint a maximális lépésszám és a lépésszám-tartomány relatív változása az elmúlt két hétben.

A dinamikus adatok használata különbözteti meg ezt a modellt a klinikai adatokon, például a teljesítmény állapotán és a tumorszövettanon alapuló modellektől. „E modell egyik egyedülálló része, hogy gördülő előrejelzésnek készült” – magyarázta Ms. Friesner. "Bármelyik napon futtathatja az algoritmust, és egy héttel előre megtudhatja a páciens kockázati szintjét, így időt hagyva a szükséges további támogatás nyújtására."

Ez a kiegészítő támogatás kulcsfontosságú a kórházi tartózkodások csökkentésében, magyarázta Dr. Hong, legyen szó gyakoribb nyomon követési látogatások ütemezéséről, a beteg kezelési tervének megváltoztatásáról vagy más személyre szabott megközelítésről. "A működés lényege az, hogy ez egy további érintkezési pont az orvos számára, hogy láthassa a pácienst. Ez nyugalmat ad a páciensnek, ha tudja, hogy vigyázunk rájuk."

"Ahogy egyre többen kezdik használni a hordható eszközöket, felmerül a kérdés, hogy az általuk gyűjtött adatok hasznosak lehetnek-e. Tanulmányunk azt mutatja, hogy értékes betegeink a mindennapi életben, ha saját egészségügyi adataikat gyűjtik, és ezeket az adatokat felhasználhatjuk egészségi állapotuk nyomon követésére és előrejelzésére" - tette hozzá Friesnerné.

A kutatók következő lépései közé tartozik az algoritmus szigorúbb validálása a Dr. Ohri által vezetett NRGF-001 vizsgálatban (NCT04878952) leírt módon, amely a tüdőrák miatt CRT-n átesett betegeket randomizálja a napi lépésszám-monitorozással vagy anélkül végzett kezelésre. A Lépésszámláló karba tartozó betegek orvosai a kezelési folyamat során adatokat kapnak a modelltől.

A kutatók további tanulmányokat is terveznek a hordható eszközök által gyűjtött további mutatók vizsgálatára, mint például: B. pulzusszám és annak használata a klinikán.

"A hordható eszközök és a betegek által generált egészségügyi adatok még viszonylag új jelenségek, és még mindig tanuljuk, hogyan lehetnek hasznosak. Milyen egyéb információkat nyerhetünk az életünk számos érzékelőjéből? Hogyan egészíthetik ki egymást ezek a mutatók, és hogyan működhetnek együtt más típusú adatokkal, például elektronikus egészségügyi nyilvántartásokkal? A különböző adatpontok jobban működhetnek a különböző betegeknél" - mondta Friesner asszony.

A távorvoslás és a távellátás elmúlt évek széles körű elterjedését követően a betegkészülékeken keresztül történő távfelügyelet iránti igény is megnőhet. A klinikusoknak és a döntéshozóknak szem előtt kell tartaniuk ezekhez az eszközökhöz való hozzáférést, mivel egyre népszerűbbek, Dr. Hong.

"A valós hordható adatokkal való munka egyik kihívása a gazdasági és faji egyenlőtlenségek, amelyek hatással vannak arra, hogy kinek van olyan eszköze, amely képes rögzíteni az ilyen típusú adatokat. Fontosnak tartom, hogy olyan eszközöket fejlesszenek ki, amelyek hasznosak a klinika számára, de a betegek szélesebb köre számára is elérhetők."

Forrás:

Amerikai Sugár Onkológiai Társaság

.