Het AI-model voorspelt de waarschijnlijkheid van ongeplande ziekenhuisopnames tijdens kankerbestralingsbehandelingen

Het AI-model voorspelt de waarschijnlijkheid van ongeplande ziekenhuisopnames tijdens kankerbestralingsbehandelingen

Een door onderzoekers ontwikkeld kunstmatige-intelligentiemodel (AI) kan de waarschijnlijkheid voorspellen dat een patiënt een ongeplande ziekenhuisopname ervaart tijdens zijn bestralingsbehandeling voor kanker. Het machine learning-model gebruikt dagelijkse stappentellingen als proxy om de gezondheid van patiënten tijdens kankertherapie te monitoren, waardoor artsen een realtime methode krijgen om gepersonaliseerde zorg te bieden. De resultaten zullen vandaag worden gepresenteerd op de jaarlijkse bijeenkomst van de American Society for Radiation Oncology (ASTRO).

Naar schatting 10-20% van de patiënten die poliklinische bestraling of chemoradiotherapie krijgen, heeft tijdens hun kankerbehandeling acute zorg nodig in de vorm van een bezoek aan de spoedeisende hulp (SEH) of ziekenhuisopname. Deze ongeplande ziekenhuisopnames kunnen een grote uitdaging vormen voor mensen die een kankerbehandeling ondergaan, omdat ze onderbrekingen van de behandeling en stress veroorzaken die de klinische resultaten kunnen beïnvloeden. Vroegtijdige detectie en interventie bij patiënten met een hoger risico op complicaties kunnen deze gebeurtenissen voorkomen.

Als je het risico van een ongeplande ziekenhuisopname van een patiënt kunt voorspellen, kun je de manier waarop je hem of haar ondersteunt bij de kankerbehandeling veranderen en de kans verkleinen dat hij of zij op de eerste hulp of in het ziekenhuis belandt.”

Julian Hong, MD, senior auteur van het onderzoek

Julian Hong is assistent-professor radiotherapie en computationele gezondheidswetenschappen aan de Universiteit van Californië, San Francisco (UCSF), waar hij ook medisch directeur is van radiotherapie-oncologie-informatica.

Het team van Dr. Hong heeft eerder aangetoond dat een machine learning-algoritme gezondheidsgegevens zoals kankergeschiedenis en behandelplan kan gebruiken om patiënten te identificeren die een hoger risico lopen op spoedeisende hulp tijdens de behandeling van kanker en dat aanvullende monitoring door hun zorgverleners de tarieven voor acute zorg voor deze patiënten verlaagt.

Voor de huidige studie werkten hij en Isabel Friesner, hoofdauteur en klinische datawetenschapper bij UCSF, samen met Nitin Ohri, MD, en collega's van het Montefiore Medical Center in New York om machine learning-benaderingen toe te passen op gegevens van draagbare consumentenapparaten. Dr. Ohri en zijn team verzamelden eerder gegevens van 214 patiënten in drie prospectieve klinische onderzoeken (NCT02649569, NCT03102229, NCT03115398). In elk van deze onderzoeken droegen de deelnemers fitnesstrackers die hun activiteit gedurende meerdere weken volgden terwijl ze chemoradiotherapie kregen. Deelnemers aan de studie hadden verschillende soorten primaire tumoren, meestal hoofd- en nekkanker (30%) of longkanker (29%).

Stappentellingen en andere gegevens uit de dossiers van deze patiënten werden gebruikt om een ​​elastisch net-geregulariseerd logistisch regressiemodel te ontwikkelen en te testen, een type machine learning-model dat een grote hoeveelheid complexe informatie kan analyseren. Het doel van hun model was om de waarschijnlijkheid te voorspellen dat een patiënt de komende week in het ziekenhuis zou worden opgenomen op basis van de gegevens van de voorgaande twee weken.

Onderzoekers bouwden het model eerst door te onderzoeken hoe goed verschillende variabelen ziekenhuisopname voorspelden, met behulp van gegevens van 70% van de studiedeelnemers (151 mensen). Potentiële voorspellers in het model waren onder meer patiëntkenmerken (bijvoorbeeld leeftijd, ECOG-prestatiestatus) en activiteitsgegevens die vóór en tijdens de behandeling werden gemeten. Naast het dagelijkse aantal stappen berekenden onderzoekers ook andere meetgegevens, zoals: B. Relatieve veranderingen in iemands wekelijkse gemiddelden of het verschil tussen het minimale en maximale aantal stappen per week.

Het onderzoeksteam valideerde het model vervolgens op de resterende 30% van de patiënten (63 personen). Het model met stappentellingen was sterk voorspellend voor ziekenhuisopname de volgende week (AUC = 0,80, 95% betrouwbaarheidsinterval [BI] 0,60-0,90), en presteerde aanzienlijk beter dan het model zonder stappentellingen (AUC = 0,46, 95% BI 0,24-0,66, p<0,001).

"Stappentellingen vlak voor het voorspellingsvenster waren over het algemeen informatiever dan klinische variabelen. De dynamische aard van stappentellingen, het feit dat ze elke dag veranderen, lijkt ze een bijzonder goede indicator te maken van de gezondheidsstatus van een patiënt", aldus Dr. Hong.

De belangrijkste voorspellende variabelen in het model waren onder meer het aantal stappen van elk van de afgelopen twee dagen, evenals de relatieve veranderingen in het maximale aantal stappen en het bereik van het aantal stappen gedurende de afgelopen twee weken.

Het gebruik van dynamische gegevens onderscheidt dit model van modellen gebaseerd op klinische gegevens zoals prestatiestatus en tumorhistologie. “Een van de unieke onderdelen van dit model is dat het is ontworpen als voortschrijdende voorspelling”, legt mevrouw Friesner uit. “Je kunt het algoritme op elke gewenste dag uitvoeren en een week van tevoren een idee hebben van het risiconiveau van een patiënt, waardoor je de tijd hebt om de extra ondersteuning te bieden die ze nodig hebben.”

Deze extra ondersteuning is van cruciaal belang om het ziekenhuisverblijf te verminderen, legt Dr. Hong uit, of het nu gaat om het plannen van frequentere vervolgbezoeken, het wijzigen van het behandelplan van de patiënt of het kiezen van een andere gepersonaliseerde aanpak. "De kern van wat werkt is dat dit een extra contactpunt is voor een arts om een ​​patiënt te zien. Het geeft de patiënt gemoedsrust omdat hij weet dat we voor hem zorgen."

“Naarmate meer mensen wearables gaan gebruiken, rijst de vraag of de gegevens die zij verzamelen nuttig kunnen zijn. Ons onderzoek toont aan dat het waardevol is dat onze patiënten in het dagelijks leven hun eigen gezondheidsgegevens verzamelen, en dat we deze gegevens kunnen gebruiken om vervolgens hun gezondheidsstatus te monitoren en te voorspellen”, voegde mevrouw Friesner eraan toe.

De volgende stappen voor de onderzoekers omvatten een rigoureuzere validatie van het algoritme op de manier beschreven door de door Dr. Ohri geleide NRGF-001-studie (NCT04878952), waarbij patiënten die CRT ondergaan voor longkanker worden gerandomiseerd naar een behandeling met of zonder dagelijkse monitoring van het aantal stappen. Artsen van patiënten in de Step Count-arm ontvangen gedurende het gehele behandelproces gegevens uit het model.

De onderzoekers plannen ook andere onderzoeken om aanvullende meetgegevens te onderzoeken die door draagbare apparaten worden verzameld, zoals: B. hartslag en het gebruik ervan in de kliniek.

"Draagbare apparaten en door patiënten gegenereerde gezondheidsgegevens zijn nog steeds relatief nieuwe fenomenen, en we leren nog steeds hoe ze nuttig kunnen zijn. Welke andere informatie kunnen we krijgen van de vele sensoren in ons leven? Hoe kunnen deze statistieken elkaar aanvullen en werken met andere soorten gegevens, zoals elektronische medische dossiers? Verschillende datapunten kunnen beter werken voor verschillende patiënten", zei mevrouw Friesner.

Na de wijdverspreide adoptie van telegeneeskunde en zorg op afstand in de afgelopen jaren, kan ook de behoefte aan monitoring op afstand via patiëntenapparatuur toenemen. Artsen en beleidsmakers moeten de toegang tot deze apparaten in gedachten houden nu ze steeds populairder worden, zegt dr. Hong.

"Een van de uitdagingen bij het werken met draagbare data uit de echte wereld zijn de economische en raciale verschillen die van invloed zijn op de eigenaar van apparaten die dit soort data kunnen vastleggen. Ik denk dat het belangrijk is om tools te ontwikkelen die nuttig zijn voor de kliniek, maar ook toegankelijk zijn voor een breder scala aan patiënten."

Bron:

Amerikaanse Vereniging voor Radiotherapie

.