AI modelis numato neplanuotų hospitalizacijų tikimybę gydant vėžį spinduliuote

AI modelis numato neplanuotų hospitalizacijų tikimybę gydant vėžį spinduliuote

Tyrėjų sukurtas dirbtinio intelekto (AI) modelis gali numatyti tikimybę, kad pacientas patirs neplanuotą hospitalizavimą spindulinio vėžio gydymo metu. Mašininio mokymosi modelis naudoja kasdienius žingsnių skaičiavimus kaip tarpinį rodiklį, kad būtų galima stebėti pacientų sveikatą vėžio gydymo metu, todėl gydytojai gali naudotis realiu laiku pritaikytu individualios priežiūros metodu. Rezultatai šiandien bus pristatyti kasmetiniame Amerikos radiacinės onkologijos draugijos (ASTRO) susitikime.

Apskaičiuota, kad 10–20 % pacientų, kuriems taikoma ambulatorinė spinduliuotė arba chemoradioterapija, vėžio gydymo metu reikalinga ūminė pagalba – apsilankymas skubios pagalbos skyriuje (ED) arba hospitalizavimas. Šios neplanuotos hospitalizacijos gali būti didelis iššūkis vėžiu gydomiems žmonėms, dėl kurių gali nutrūkti gydymas ir atsirasti stresas, galintis turėti įtakos klinikiniams rezultatams. Ankstyvas nustatymas ir intervencija pacientams, kuriems yra didesnė komplikacijų rizika, gali užkirsti kelią šiems reiškiniams.

Jei galite numatyti paciento neplanuoto hospitalizavimo riziką, galite pakeisti būdą, kaip remti jį gydant vėžį ir sumažinti tikimybę, kad jis pateks į greitosios pagalbos skyrių ar ligoninę.

Julian Hong, MD, vyresnysis tyrimo autorius

Julianas Hongas yra radiacinės onkologijos ir kompiuterinių sveikatos mokslų docentas Kalifornijos universitete, San Franciske (UCSF), kur taip pat eina radiacinės onkologijos informatikos medicinos direktoriaus pareigas.

Daktaro Hongo komanda anksčiau parodė, kad mašininio mokymosi algoritmas gali naudoti sveikatos duomenis, pvz., vėžio istoriją ir gydymo planą, kad nustatytų pacientus, kuriems vėžio gydymo metu yra didesnė ED apsilankymų rizika, ir kad papildomas jų paslaugų teikėjų stebėjimas sumažina šių pacientų ūminės priežiūros rodiklius.

Šiame tyrime jis ir Isabel Friesner, vadovaujantis autorius ir klinikinių duomenų mokslininkas UCSF, dirbo su Nitin Ohri, MD, ir kolegomis iš Montefiore medicinos centro Niujorke, kad pritaikytų mašininio mokymosi metodus duomenims iš nešiojamų vartotojų įrenginių. Dr. Ohri ir jo komanda anksčiau rinko duomenis iš 214 pacientų per tris perspektyvius klinikinius tyrimus (NCT02649569, NCT03102229, NCT03115398). Kiekviename iš šių tyrimų dalyviai dėvėjo kūno rengybos stebėjimo priemones, kurios stebėjo jų aktyvumą kelias savaites, kol jiems buvo taikoma chemoradioterapija. Tyrimo dalyviai turėjo įvairių tipų pirminių navikų, dažniausiai galvos ir kaklo (30 %) arba plaučių vėžį (29 %).

Žingsnių skaičiai ir kiti šių pacientų įrašų duomenys buvo naudojami kuriant ir išbandant elastingą grynąjį reguliarųjį logistinės regresijos modelį – mašininio mokymosi modelio tipą, galintį analizuoti didelį kiekį sudėtingos informacijos. Jų modelio tikslas buvo numatyti tikimybę, kad pacientas bus hospitalizuotas kitą savaitę, remiantis ankstesnių dviejų savaičių duomenimis.

Tyrėjai pirmiausia sukūrė modelį ištyrę, kaip įvairūs kintamieji numatė hospitalizavimą, naudodamiesi 70% tyrimo dalyvių (151 žmogaus) duomenimis. Galimi modelio prognozuotojai apėmė paciento charakteristikas (pvz., amžių, ECOG veiklos būklę) ir aktyvumo duomenis, išmatuotus prieš gydymą ir jo metu. Be kasdienių žingsnių skaičiavimo, mokslininkai skaičiavo ir kitus rodiklius, tokius kaip: B. Santykiniai žmogaus savaitės vidurkių pokyčiai arba skirtumas tarp minimalaus ir maksimalaus žingsnių skaičiaus per savaitę.

Tada tyrimo grupė patvirtino modelį likusiems 30% pacientų (63 žmonėms). Modelis, apimantis žingsnių skaičių, stipriai prognozavo hospitalizavimą kitą savaitę (AUC = 0,80, 95% pasikliautinasis intervalas [PI] 0,60-0,90), ir jis žymiai pranoko modelį be žingsnių skaičiavimo (AUC = 0,46, 95% PI 0,24-0,66, p <0,01).

"Žingsnių skaičiavimas prieš pat prognozavimo langą paprastai buvo informatyvesnis nei klinikiniai kintamieji. Atrodo, kad žingsnių skaičiavimo dinaminis pobūdis, tai, kad jie keičiasi kiekvieną dieną, daro juos ypač geru paciento sveikatos būklės rodikliu", - sakė daktaras Hongas.

Pagrindiniai modelio nuspėjamieji kintamieji apėmė kiekvienos iš pastarųjų dviejų dienų žingsnių skaičių, taip pat santykinius didžiausio žingsnių skaičiaus ir žingsnių skaičiaus intervalo pokyčius per pastarąsias dvi savaites.

Dinaminių duomenų naudojimas išskiria šį modelį nuo modelių, pagrįstų klinikiniais duomenimis, tokiais kaip veiklos būklė ir naviko histologija. „Viena iš unikalių šio modelio dalių yra ta, kad jis sukurtas taip, kad būtų slenkanti prognozė“, – paaiškino M. Friesner. „Galite paleisti algoritmą bet kurią dieną ir turėti idėją apie paciento rizikos lygį prieš savaitę, suteikdami laiko suteikti jam reikalingą papildomą pagalbą.

Dr. Hong paaiškino, kad ši papildoma parama yra labai svarbi norint sumažinti buvimą ligoninėje, nesvarbu, ar tai būtų dažnesnių tolesnių apsilankymų planavimas, paciento gydymo plano keitimas, ar kitoks individualus požiūris. "Pagrindinis veikimo principas yra tai, kad tai yra papildomas kontaktinis taškas gydytojui, norint pamatyti pacientą. Tai suteikia pacientui ramybę, žinant, kad mes jų laukiame."

"Kadangi vis daugiau žmonių pradeda naudoti nešiojamus gaminius, kyla klausimas, ar jų renkami duomenys gali būti naudingi. Mūsų tyrimas rodo, kad mūsų pacientams yra naudinga kasdieniame gyvenime rinkti savo sveikatos duomenis ir kad mes galime naudoti šiuos duomenis savo sveikatos būklei stebėti ir prognozuoti", - pridūrė M. Friesner.

Kiti tyrėjų žingsniai apima griežtesnį algoritmo patvirtinimą, kaip aprašyta dr. Ohri vadovaujamame NRGF-001 tyrime (NCT04878952), kurio metu pacientai, kuriems atliekama CRT dėl plaučių vėžio, bus atsitiktinai suskirstyti į gydymą, stebint kasdienį žingsnių skaičių arba be jo. Žingsnių skaičiavimo grupės pacientų gydytojai gauna duomenis iš modelio viso gydymo proceso metu.

Tyrėjai taip pat planuoja kitus tyrimus, kad ištirtų papildomus nešiojamų prietaisų renkamus rodiklius, tokius kaip: B. širdies ritmas ir jo naudojimas klinikoje.

"Nešiojami prietaisai ir pacientų generuojami sveikatos duomenys vis dar yra palyginti nauji reiškiniai, ir mes vis dar mokomės, kaip jie gali būti naudingi. Kokios dar informacijos galime gauti iš daugybės jutiklių mūsų gyvenime? Kaip šie rodikliai gali papildyti vienas kitą ir veikti su kitų tipų duomenimis, pvz., elektroniniais sveikatos įrašais? Skirtingi duomenų taškai gali būti naudingesni skirtingiems pacientams", - sakė M. Friesner.

Pastaraisiais metais plačiai pritaikius nuotolinę mediciną ir nuotolinę priežiūrą, taip pat gali padidėti nuotolinio stebėjimo naudojant pacientų prietaisus poreikis. Dr. Hongas, gydytojai ir politikos formuotojai turėtų nepamiršti prieigos prie šių įrenginių, nes jie tampa vis populiaresni.

"Vienas iš iššūkių dirbant su realaus pasaulio nešiojamaisiais duomenimis yra ekonominiai ir rasiniai skirtumai, darantys įtaką, kam priklauso įrenginiai, galintys fiksuoti tokio tipo duomenis. Manau, kad svarbu sukurti įrankius, kurie būtų naudingi klinikai, bet būtų prieinami ir platesniam pacientų ratui."

Šaltinis:

Amerikos radiacinės onkologijos draugija

.