Il modello AI prevede la probabilità di ricoveri non pianificati durante i trattamenti con radiazioni antitumorali

Il modello AI prevede la probabilità di ricoveri non pianificati durante i trattamenti con radiazioni antitumorali

Un modello di intelligenza artificiale (AI) sviluppato dai ricercatori può prevedere la probabilità che un paziente subisca un ricovero non pianificato durante il trattamento con radiazioni per il cancro. Il modello di apprendimento automatico utilizza il conteggio dei passi giornalieri come proxy per monitorare la salute dei pazienti durante la terapia contro il cancro, fornendo ai medici un metodo in tempo reale per fornire cure personalizzate. I risultati saranno presentati oggi al meeting annuale dell'American Society for Radiation Oncology (ASTRO).

Si stima che circa il 10-20% dei pazienti sottoposti a radioterapia o chemioradioterapia ambulatoriale necessiti di cure acute sotto forma di visita al pronto soccorso (ED) o ricovero ospedaliero durante il trattamento del cancro. Questi ricoveri non pianificati possono rappresentare una sfida importante per le persone sottoposte a cure contro il cancro, causando interruzioni del trattamento e stress che possono influire sui risultati clinici. La diagnosi precoce e l’intervento nei pazienti a maggior rischio di complicanze possono prevenire questi eventi.

Se si riesce a prevedere il rischio di un ricovero non pianificato per un paziente, è possibile cambiare il modo in cui lo si supporta nella cura del cancro e ridurre la probabilità che finisca al pronto soccorso o in ospedale”.

Julian Hong, MD, autore senior dello studio

Julian Hong è professore assistente di radioterapia oncologica e scienze computazionali della salute presso l'Università della California, San Francisco (UCSF), dove ricopre anche il ruolo di direttore medico di informatica radioterapica.

Il team del dottor Hong ha precedentemente dimostrato che un algoritmo di apprendimento automatico può utilizzare dati sanitari come la storia del cancro e il piano di trattamento per identificare i pazienti a più alto rischio di visite al pronto soccorso durante il trattamento del cancro e che un monitoraggio aggiuntivo da parte dei loro fornitori riduce i tassi di assistenza acuta per questi pazienti.

Per lo studio attuale, lui e Isabel Friesner, autore principale e scienziato dei dati clinici presso l'UCSF, hanno lavorato con Nitin Ohri, MD, e colleghi del Montefiore Medical Center di New York per applicare approcci di apprendimento automatico ai dati provenienti da dispositivi di consumo indossabili. Il dottor Ohri e il suo team avevano precedentemente raccolto dati da 214 pazienti in tre studi clinici prospettici (NCT02649569, NCT03102229, NCT03115398). In ciascuno di questi studi, i partecipanti indossavano fitness tracker che monitoravano la loro attività per diverse settimane mentre ricevevano la chemioradioterapia. I partecipanti allo studio avevano vari tipi di tumori primari, più comunemente cancro della testa e del collo (30%) o cancro del polmone (29%).

Il conteggio dei passi e altri dati provenienti dalle cartelle cliniche di questi pazienti sono stati utilizzati per sviluppare e testare un modello di regressione logistica regolarizzata a rete elastica, un tipo di modello di apprendimento automatico in grado di analizzare una grande quantità di informazioni complesse. L’obiettivo del loro modello era prevedere la probabilità che un paziente venisse ricoverato in ospedale nella settimana successiva sulla base dei dati delle due settimane precedenti.

I ricercatori hanno innanzitutto costruito il modello esaminando la capacità delle varie variabili di prevedere il ricovero in ospedale, utilizzando i dati del 70% dei partecipanti allo studio (151 persone). I potenziali predittori nel modello includevano le caratteristiche del paziente (ad esempio, età, performance status ECOG) e dati sull’attività misurati prima e durante il trattamento. Oltre al conteggio dei passi giornalieri, i ricercatori hanno calcolato altri parametri, come: B. Cambiamenti relativi nelle medie settimanali di una persona o la differenza tra il numero minimo e massimo di passi a settimana.

Il gruppo di ricerca ha poi validato il modello sul restante 30% dei pazienti (63 persone). Il modello che incorporava il conteggio dei passi era fortemente predittivo del ricovero in ospedale la settimana successiva (AUC = 0,80, intervallo di confidenza al 95% [CI] 0,60-0,90) e ha sovraperformato significativamente il modello senza il conteggio dei passi (AUC = 0,46, IC al 95% 0,24-0,66, p <0,001).

"Il conteggio dei passi immediatamente prima della finestra di previsione era generalmente più informativo delle variabili cliniche. La natura dinamica del conteggio dei passi, il fatto che cambino ogni giorno, sembra renderli un indicatore particolarmente valido dello stato di salute di un paziente", ha affermato il dottor Hong.

Le variabili predittive chiave nel modello includevano il conteggio dei passi di ciascuno degli ultimi due giorni, nonché le variazioni relative nel conteggio massimo dei passi e nell'intervallo del conteggio dei passi nelle ultime due settimane.

L'uso di dati dinamici distingue questo modello dai modelli basati su dati clinici come lo stato delle prestazioni e l'istologia del tumore. "Una delle parti uniche di questo modello è che è progettato per essere una previsione mobile", ha spiegato la signora Friesner. “Puoi eseguire l’algoritmo in qualsiasi giorno e avere un’idea del livello di rischio di un paziente con una settimana di anticipo, avendo così il tempo di fornire il supporto aggiuntivo di cui ha bisogno”.

Questo supporto aggiuntivo è fondamentale per ridurre le degenze ospedaliere, ha spiegato il dottor Hong, sia che si tratti di programmare visite di follow-up più frequenti, di modificare il piano di trattamento del paziente o di adottare un altro approccio personalizzato. "Il nocciolo di ciò che funziona è che questo è un ulteriore punto di contatto per un medico per vedere un paziente. Dà al paziente la tranquillità sapendo che ci stiamo prendendo cura di lui."

"Man mano che sempre più persone iniziano a utilizzare dispositivi indossabili, sorge la domanda se i dati raccolti potrebbero essere utili. Il nostro studio dimostra che è utile che i nostri pazienti raccolgano i propri dati sanitari nella vita di tutti i giorni e che possiamo utilizzare questi dati per monitorare e prevedere il loro stato di salute", ha aggiunto la signora Friesner.

I prossimi passi per i ricercatori includono una validazione più rigorosa dell'algoritmo nel modo descritto dallo studio NRGF-001 (NCT04878952) condotto dal Dr. Ohri, che randomizzerà i pazienti sottoposti a CRT per cancro ai polmoni al trattamento con o senza monitoraggio giornaliero del conteggio dei passi. I medici dei pazienti nel braccio Step Count ricevono dati dal modello durante tutto il processo di trattamento.

I ricercatori pianificano anche altri studi per esaminare ulteriori parametri raccolti dai dispositivi indossabili, come: B. frequenza cardiaca e il suo utilizzo in clinica.

"I dispositivi indossabili e i dati sanitari generati dai pazienti sono ancora fenomeni relativamente nuovi e stiamo ancora imparando come possono essere utili. Quali altre informazioni possiamo ottenere dai numerosi sensori nelle nostre vite? Come possono questi parametri integrarsi a vicenda e funzionare con altri tipi di dati, come le cartelle cliniche elettroniche? Diversi punti dati potrebbero funzionare meglio per pazienti diversi", ha affermato la Friesner.

A seguito dell’adozione diffusa della telemedicina e dell’assistenza remota negli ultimi anni, potrebbe aumentare anche la necessità di monitoraggio remoto tramite i dispositivi dei pazienti. I medici e i politici dovrebbero tenere a mente l’accesso a questi dispositivi man mano che diventano sempre più popolari, Dr. Hong.

"Una delle sfide nel lavorare con dati indossabili nel mondo reale sono le disparità economiche e razziali che influiscono su chi possiede dispositivi in ​​grado di acquisire questo tipo di dati. Penso che sia importante sviluppare strumenti che siano utili per la clinica ma anche accessibili a una gamma più ampia di pazienti."

Fonte:

Società americana per la radioterapia oncologica

.