Model AI przewiduje prawdopodobieństwo nieplanowanych hospitalizacji podczas radioterapii nowotworów

Model AI przewiduje prawdopodobieństwo nieplanowanych hospitalizacji podczas radioterapii nowotworów

Opracowany przez naukowców model sztucznej inteligencji (AI) może przewidzieć prawdopodobieństwo nieplanowanej hospitalizacji pacjenta podczas radioterapii nowotworu. Model uczenia maszynowego wykorzystuje dzienną liczbę kroków jako wskaźnik zastępczy do monitorowania stanu zdrowia pacjentów podczas terapii przeciwnowotworowej, zapewniając lekarzom metodę zapewniania spersonalizowanej opieki w czasie rzeczywistym. Wyniki zostaną zaprezentowane dzisiaj na dorocznym spotkaniu Amerykańskiego Towarzystwa Radioterapii Onkologicznej (ASTRO).

Szacuje się, że 10–20% pacjentów poddawanych ambulatoryjnej radioterapii lub chemioradioterapii wymaga doraźnej opieki w postaci wizyty na oddziale ratunkowym lub hospitalizacji w trakcie leczenia nowotworu. Te nieplanowane hospitalizacje mogą stanowić poważne wyzwanie dla osób poddawanych leczeniu nowotworu, powodując przerwy w leczeniu i stres, który może mieć wpływ na wyniki kliniczne. Wczesne wykrycie i interwencja u pacjentów obciążonych większym ryzykiem powikłań może zapobiec tym zdarzeniom.

Jeśli potrafisz przewidzieć ryzyko nieplanowanej hospitalizacji pacjenta, możesz zmienić sposób, w jaki wspierasz go w leczeniu raka i zmniejszyć prawdopodobieństwo, że trafi na izbę przyjęć lub do szpitala”.

Julian Hong, lekarz medycyny, starszy autor badania

Julian Hong jest adiunktem w dziedzinie radioonkologii i obliczeniowych nauk o zdrowiu na Uniwersytecie Kalifornijskim w San Francisco (UCSF), gdzie pełni także funkcję dyrektora medycznego informatyki w radioterapii onkologicznej.

Zespół dr Honga wykazał już wcześniej, że algorytm uczenia maszynowego może wykorzystywać dane zdrowotne, takie jak historia raka i plan leczenia, do identyfikacji pacjentów z podwyższonym ryzykiem wizyt na SOR w trakcie leczenia raka, a dodatkowe monitorowanie przez dostawców zmniejsza odsetek ostrej opieki dla tych pacjentów.

W ramach obecnego badania on i Isabel Friesner, główna autorka i badaczka danych klinicznych na Uniwersytecie Kalifornijskim, współpracowali z doktorem Nitinem Ohri i współpracownikami z Montefiore Medical Center w Nowym Jorku, aby zastosować podejście oparte na uczeniu maszynowym do danych z przenośnych urządzeń konsumenckich. Doktor Ohri i jego zespół zebrali wcześniej dane od 214 pacjentów w trzech prospektywnych badaniach klinicznych (NCT02649569, NCT03102229, NCT03115398). W każdym z tych badań uczestnicy nosili urządzenia do monitorowania kondycji, które monitorowały ich aktywność przez kilka tygodni podczas chemioradioterapii. Uczestnicy badania cierpieli na różne rodzaje nowotworów pierwotnych, najczęściej raka głowy i szyi (30%) lub raka płuc (29%).

Liczbę kroków i inne dane z rejestrów tych pacjentów wykorzystano do opracowania i przetestowania elastycznego modelu regresji logistycznej z uregulowaną siatką, czyli rodzaju modelu uczenia maszynowego, który może analizować dużą ilość złożonych informacji. Celem ich modelu było przewidzenie prawdopodobieństwa hospitalizacji pacjenta w następnym tygodniu na podstawie danych z poprzednich dwóch tygodni.

Naukowcy najpierw zbudowali model, sprawdzając, jak dobrze różne zmienne przewidywały hospitalizację, korzystając z danych uzyskanych od 70% uczestników badania (151 osób). Potencjalne czynniki predykcyjne w modelu obejmowały charakterystykę pacjenta (np. wiek, stan sprawności ECOG) oraz dane dotyczące aktywności mierzone przed leczeniem i w jego trakcie. Oprócz dziennej liczby kroków badacze obliczyli inne wskaźniki, takie jak: B. Względne zmiany średnich tygodniowych danej osoby lub różnica między minimalną i maksymalną liczbą kroków tygodniowo.

Następnie zespół badawczy zweryfikował model na pozostałych 30% pacjentów (63 osoby). Model uwzględniający liczbę kroków silnie przewidywał hospitalizację w następnym tygodniu (AUC = 0,80, 95% przedział ufności [CI] 0,60–0,90) i znacząco przewyższał model bez liczenia kroków (AUC = 0,46, 95% CI 0,24–0,66, p<0,001).

„Liczba kroków bezpośrednio przed oknem przewidywania miała na ogół więcej informacji niż zmienne kliniczne. Dynamiczny charakter liczby kroków oraz fakt, że zmieniają się one każdego dnia, wydaje się czynić je szczególnie dobrym wskaźnikiem stanu zdrowia pacjenta” – stwierdziła dr Hong.

Kluczowe zmienne predykcyjne w modelu obejmowały liczbę kroków z każdego z ostatnich dwóch dni, a także względne zmiany maksymalnej liczby kroków i zakresu liczby kroków w ciągu ostatnich dwóch tygodni.

Zastosowanie danych dynamicznych odróżnia ten model od modeli opartych na danych klinicznych, takich jak stan sprawności i histologia nowotworu. „Jedną z unikalnych części tego modelu jest to, że zaprojektowano go jako prognozę kroczącą” – wyjaśniła pani Friesner. „Możesz uruchomić algorytm w dowolnym dniu i mieć pojęcie o poziomie ryzyka pacjenta z tygodniowym wyprzedzeniem, co da ci czas na zapewnienie mu dodatkowego wsparcia”.

To dodatkowe wsparcie jest kluczem do ograniczenia pobytów w szpitalu, wyjaśniła dr Hong, niezależnie od tego, czy chodzi o planowanie częstszych wizyt kontrolnych, zmianę planu leczenia pacjenta, czy też przyjęcie innego spersonalizowanego podejścia. „Podstawą tego, co działa, jest to, że jest to dodatkowy punkt kontaktu lekarza z pacjentem. Daje pacjentowi spokój ducha, wiedząc, że się o niego troszczymy”.

„W miarę jak coraz więcej osób zaczyna korzystać z urządzeń do noszenia, pojawia się pytanie, czy gromadzone przez nie dane mogą być przydatne. Nasze badanie pokazuje, że gromadzenie przez naszych pacjentów danych na temat ich zdrowia w życiu codziennym ma wartość i że możemy wykorzystać te dane do późniejszego monitorowania i przewidywania ich stanu zdrowia” – dodała pani Friesner.

Kolejne kroki badaczy obejmują bardziej rygorystyczną walidację algorytmu w sposób opisany w badaniu NRGF-001 pod przewodnictwem dr. Ohriego (NCT04878952), w ramach którego pacjenci poddawani CRT z powodu raka płuc będą losowo przydzielani do leczenia z codziennym monitorowaniem liczby kroków lub bez. Lekarze pacjentów w grupie Step Count otrzymują dane z modelu przez cały proces leczenia.

Naukowcy planują także inne badania w celu sprawdzenia dodatkowych wskaźników gromadzonych przez urządzenia do noszenia, takich jak: B. częstość akcji serca i jej zastosowanie w praktyce klinicznej.

„Urządzenia do noszenia i dane dotyczące zdrowia generowane przez pacjentów to wciąż stosunkowo nowe zjawiska i wciąż uczymy się, w jaki sposób mogą być przydatne. Jakie jeszcze informacje możemy uzyskać z wielu czujników w naszym życiu? W jaki sposób te wskaźniki mogą się uzupełniać i współpracować z innymi typami danych, np. elektroniczną dokumentacją medyczną? Różne punkty danych mogą działać lepiej dla różnych pacjentów” – powiedziała pani Friesner.

W związku z powszechnym przyjęciem telemedycyny i opieki zdalnej w ostatnich latach może również wzrosnąć zapotrzebowanie na zdalne monitorowanie za pomocą urządzeń pacjenta. Lekarze i decydenci powinni pamiętać o dostępie do tych urządzeń, w miarę jak stają się one coraz bardziej popularne, dr Hong.

„Jednym z wyzwań związanych z pracą z rzeczywistymi danymi do noszenia na ciele są różnice ekonomiczne i rasowe, które wpływają na to, kto jest właścicielem urządzeń mogących rejestrować tego typu dane. Uważam, że ważne jest opracowanie narzędzi, które będą przydatne dla kliniki, ale także dostępne dla szerszego grona pacjentów”.

Źródło:

Amerykańskie Towarzystwo Radioterapii Onkologicznej

.