AI-modell forutsier sannsynligheten for ikke-planlagte sykehusinnleggelser under kreftstrålebehandlinger

AI-modell forutsier sannsynligheten for ikke-planlagte sykehusinnleggelser under kreftstrålebehandlinger

En kunstig intelligens (AI) modell utviklet av forskere kan forutsi sannsynligheten for at en pasient opplever en ikke-planlagt sykehusinnleggelse under sin strålebehandling for kreft. Maskinlæringsmodellen bruker daglige trinntellinger som en proxy for å overvåke pasienters helse under kreftbehandling, og gir leger en sanntidsmetode for å levere personlig pleie. Resultatene vil bli presentert i dag på årsmøtet til American Society for Radiation Oncology (ASTRO).

Anslagsvis 10-20 % av pasienter som får poliklinisk stråling eller kjemoradioterapi trenger akutt behandling i form av akuttmottak (ED) besøk eller sykehusinnleggelse under kreftbehandlingen. Disse ikke-planlagte sykehusinnleggelsene kan være en stor utfordring for personer som gjennomgår kreftbehandling, og forårsake behandlingsavbrudd og stress som kan påvirke kliniske utfall. Tidlig oppdagelse og intervensjon hos pasienter med høyere risiko for komplikasjoner kan forhindre disse hendelsene.

Hvis du kan forutsi en pasients risiko for en ikke-planlagt sykehusinnleggelse, kan du endre måten du støtter dem på med kreftbehandlingen og redusere sannsynligheten for at de havner på legevakten eller sykehuset.»

Julian Hong, MD, seniorforfatter av studien

Julian Hong er assisterende professor i strålingsonkologi og beregningshelsevitenskap ved University of California, San Francisco (UCSF), hvor han også fungerer som medisinsk direktør for stråleonkologisk informatikk.

Teamet til Dr. Hong har tidligere vist at en maskinlæringsalgoritme kan bruke helsedata som krefthistorie og behandlingsplan for å identifisere pasienter med høyere risiko for ED-besøk under kreftbehandling, og at ytterligere overvåking fra leverandørene deres reduserer antallet akutte behandlinger for disse pasientene.

For den nåværende studien jobbet han og Isabel Friesner, hovedforfatter og klinisk dataforsker ved UCSF, sammen med Nitin Ohri, MD, og ​​kolleger ved Montefiore Medical Center i New York for å anvende maskinlæringsmetoder til data fra bærbare forbrukerenheter. Dr. Ohri og teamet hans har tidligere samlet inn data fra 214 pasienter i tre prospektive kliniske studier (NCT02649569, NCT03102229, NCT03115398). I hver av disse studiene hadde deltakerne treningssporere som overvåket aktiviteten deres over flere uker mens de fikk kjemoradioterapi. Studiedeltakerne hadde ulike typer primære svulster, oftest hode og nakke (30 %) eller lungekreft (29 %).

Trinntellinger og andre data fra disse pasientenes journaler ble brukt til å utvikle og teste en elastisk netregularisert logistisk regresjonsmodell, en type maskinlæringsmodell som kan analysere en stor mengde kompleks informasjon. Målet med modellen deres var å forutsi sannsynligheten for at en pasient ville bli innlagt på sykehus i neste uke basert på de to foregående ukene med data.

Forskere bygget først modellen ved å undersøke hvor godt ulike variabler predikerte sykehusinnleggelse, ved å bruke data fra 70 % av studiedeltakerne (151 personer). Potensielle prediktorer i modellen inkluderte pasientkarakteristikker (f.eks. alder, ECOG-ytelsesstatus) og aktivitetsdata målt før og under behandling. I tillegg til daglige skritttellinger, beregnet forskere andre beregninger, for eksempel: B. Relative endringer i en persons ukentlige gjennomsnitt eller forskjellen mellom minimum og maksimum antall skritt per uke.

Forskerteamet validerte deretter modellen på de resterende 30 % av pasientene (63 personer). Modellen som inkorporerte trinntellinger var sterkt prediktiv for sykehusinnleggelse den påfølgende uken (AUC = 0,80, 95 % konfidensintervall [KI] 0,60-0,90), og den overgikk signifikant modellen uten trinntellinger (AUC = 0,46, 95 % KI 0,24-0,60, p<0,60).

"Trinnteller rett før prediksjonsvinduet var generelt mer informative enn kliniske variabler. Den dynamiske karakteren av trinntellinger, det faktum at de endres hver dag, ser ut til å gjøre dem til en spesielt god indikator på en pasients helsestatus," sa Dr. Hong.

Nøkkelprediktorvariabler i modellen inkluderte trinntellinger fra hver av de siste to dagene, samt de relative endringene i maksimalt trinnteller og trinntellerområde over de siste to ukene.

Bruken av dynamiske data skiller denne modellen fra modeller basert på kliniske data som ytelsesstatus og tumorhistologi. "En av de unike delene av denne modellen er at den er designet for å være en rullende prognose," forklarte Friesner. "Du kan kjøre algoritmen når som helst og ha en ide om pasientens risikonivå en uke i forveien, noe som gir deg tid til å gi den ekstra støtten de trenger."

Denne ekstra støtten er nøkkelen til å redusere sykehusopphold, forklarte Dr. Hong, enten det er å planlegge hyppigere oppfølgingsbesøk, endre pasientens behandlingsplan eller ta en annen personlig tilnærming. "Kjernen i det som fungerer er at dette er et ekstra kontaktpunkt for en lege for å se en pasient. Det gir pasienten trygghet å vite at vi ser etter dem."

"Når flere begynner å bruke wearables, oppstår spørsmålet om dataene de samler inn kan være nyttige. Vår studie viser at det er verdi i at våre pasienter samler inn sine egne helsedata i hverdagen, og at vi kan bruke disse dataene til å deretter overvåke og forutsi deres helsestatus," la Friesner til.

De neste trinnene for etterforskerne inkluderer strengere validering av algoritmen på den måten som er beskrevet av Dr. Ohri-ledet NRGF-001-studie (NCT04878952), som vil randomisere pasienter som gjennomgår CRT for lungekreft til behandling med eller uten daglig overvåking av antall skritt. Leger til pasienter i Step Count-armen mottar data fra modellen gjennom hele behandlingsprosessen.

Forskerne planlegger også andre studier for å undersøke ytterligere beregninger samlet inn av bærbare enheter, for eksempel: B. hjertefrekvens og bruken av den i klinikken.

"Bærbare enheter og pasientgenererte helsedata er fortsatt relativt nye fenomener, og vi lærer fortsatt hvordan de kan være nyttige. Hvilken annen informasjon kan vi få fra de mange sensorene i livene våre? Hvordan kan disse beregningene utfylle hverandre og fungere med andre typer data, som elektroniske helsejournaler? Ulike datapunkter kan fungere bedre for forskjellige pasienter," sa Friesner.

Etter den utbredte bruken av telemedisin og fjernbehandling de siste årene, kan behovet for fjernovervåking via pasientenheter også øke. Klinikere og beslutningstakere bør ha tilgang til disse enhetene i tankene ettersom de blir stadig mer populære, Dr. Hong.

"En av utfordringene ved å jobbe med bærbare data fra den virkelige verden er de økonomiske og rasemessige forskjellene som påvirker hvem som eier enheter som kan fange opp denne typen data. Jeg tror det er viktig å utvikle verktøy som er nyttige for klinikken, men som også er tilgjengelige for et bredere spekter av pasienter."

Kilde:

American Society for Radiation Oncology

.