Modelo de IA prevê probabilidade de hospitalizações não planejadas durante tratamentos de radiação contra câncer

Modelo de IA prevê probabilidade de hospitalizações não planejadas durante tratamentos de radiação contra câncer

Um modelo de inteligência artificial (IA) desenvolvido por pesquisadores pode prever a probabilidade de um paciente sofrer uma hospitalização não planejada durante o tratamento de radiação para o câncer. O modelo de aprendizado de máquina usa contagens diárias de passos como proxy para monitorar a saúde dos pacientes durante a terapia do câncer, fornecendo aos médicos um método em tempo real para fornecer atendimento personalizado. Os resultados serão apresentados hoje na reunião anual da Sociedade Americana de Radiação Oncológica (ASTRO).

Estima-se que 10-20% dos pacientes que recebem radiação ambulatorial ou quimiorradioterapia necessitam de cuidados agudos na forma de visita ao pronto-socorro (DE) ou hospitalização durante o tratamento do câncer. Essas hospitalizações não planejadas podem ser um grande desafio para as pessoas em tratamento de câncer, causando interrupções no tratamento e estresse que podem impactar os resultados clínicos. A detecção e intervenção precoces em pacientes com maior risco de complicações podem prevenir esses eventos.

Se você puder prever o risco de um paciente sofrer uma hospitalização não planejada, poderá mudar a forma como o apoia no tratamento do câncer e reduzir a probabilidade de que ele acabe no pronto-socorro ou no hospital.”

Julian Hong, MD, autor sênior do estudo

Julian Hong é professor assistente de oncologia de radiação e ciências computacionais da saúde na Universidade da Califórnia, São Francisco (UCSF), onde também atua como diretor médico de informática em oncologia de radiação.

A equipe do Dr. Hong mostrou anteriormente que um algoritmo de aprendizado de máquina pode usar dados de saúde, como histórico de câncer e plano de tratamento, para identificar pacientes com maior risco de visitas ao pronto-socorro durante o tratamento do câncer e que o monitoramento adicional por seus provedores reduz as taxas de cuidados agudos para esses pacientes.

Para o estudo atual, ele e Isabel Friesner, autora principal e cientista de dados clínicos da UCSF, trabalharam com Nitin Ohri, MD, e colegas do Montefiore Medical Center em Nova York para aplicar abordagens de aprendizado de máquina a dados de dispositivos de consumo vestíveis. Ohri e sua equipe coletaram anteriormente dados de 214 pacientes em três ensaios clínicos prospectivos (NCT02649569, NCT03102229, NCT03115398). Em cada um desses estudos, os participantes usaram rastreadores de condicionamento físico que monitoraram suas atividades durante várias semanas enquanto recebiam quimiorradioterapia. Os participantes do estudo tinham vários tipos de tumores primários, mais comumente de cabeça e pescoço (30%) ou câncer de pulmão (29%).

A contagem de passos e outros dados dos registros desses pacientes foram usados ​​para desenvolver e testar um modelo de regressão logística regularizada de rede elástica, um tipo de modelo de aprendizado de máquina que pode analisar uma grande quantidade de informações complexas. O objetivo do modelo era prever a probabilidade de um paciente ser hospitalizado na próxima semana com base nos dados das duas semanas anteriores.

Os pesquisadores primeiro construíram o modelo examinando quão bem várias variáveis ​​previam a hospitalização, usando dados de 70% dos participantes do estudo (151 pessoas). Os potenciais preditores no modelo incluíram características do paciente (por exemplo, idade, status de desempenho ECOG) e dados de atividade medidos antes e durante o tratamento. Além da contagem diária de passos, os pesquisadores calcularam outras métricas, como: B. Mudanças relativas nas médias semanais de uma pessoa ou a diferença entre o número mínimo e máximo de passos por semana.

A equipe de pesquisa validou então o modelo nos 30% restantes dos pacientes (63 pessoas). O modelo que incorpora contagem de passos foi fortemente preditivo de hospitalização na semana seguinte (AUC = 0,80, intervalo de confiança [IC] de 95% 0,60-0,90) e superou significativamente o modelo sem contagem de passos (AUC = 0,46, IC 95% 0,24-0,66, p<0,001).

"As contagens de passos imediatamente antes da janela de previsão eram geralmente mais informativas do que as variáveis ​​clínicas. A natureza dinâmica das contagens de passos, o facto de mudarem todos os dias, parece torná-las um indicador particularmente bom do estado de saúde de um paciente", disse o Dr.

As principais variáveis ​​preditoras no modelo incluíram contagens de passos de cada um dos últimos dois dias, bem como as mudanças relativas na contagem máxima de passos e no intervalo de contagem de passos nas últimas duas semanas.

O uso de dados dinâmicos distingue este modelo de modelos baseados em dados clínicos, como status de desempenho e histologia tumoral. “Uma das partes únicas deste modelo é que ele foi projetado para ser uma previsão contínua”, explicou a Sra. Friesner. “Você pode executar o algoritmo em qualquer dia e ter uma ideia do nível de risco de um paciente com uma semana de antecedência, o que lhe dá tempo para fornecer o suporte adicional necessário.”

Este apoio adicional é fundamental para reduzir as internações hospitalares, explicou o Dr. Hong, seja agendando visitas de acompanhamento mais frequentes, alterando o plano de tratamento do paciente ou adotando outra abordagem personalizada. "A essência do que funciona é que este é um ponto de contato adicional para um médico atender um paciente. Isso dá ao paciente tranquilidade sabendo que estamos cuidando dele."

“À medida que mais pessoas começam a usar wearables, surge a questão de saber se os dados que coletam podem ser úteis. Nosso estudo mostra que há valor em nossos pacientes coletarem seus próprios dados de saúde na vida cotidiana, e que podemos usar esses dados para monitorar e prever seu estado de saúde”, acrescentou a Sra.

As próximas etapas para os investigadores incluem uma validação mais rigorosa do algoritmo da maneira descrita pelo estudo NRGF-001 liderado pelo Dr. Ohri (NCT04878952), que irá randomizar pacientes submetidos a TRC para câncer de pulmão para tratamento com ou sem monitoramento diário de contagem de passos. Os médicos dos pacientes no braço Step Count recebem dados do modelo durante todo o processo de tratamento.

Os pesquisadores também planejam outros estudos para examinar métricas adicionais coletadas por dispositivos vestíveis, como frequência cardíaca e seu uso na clínica.

"Dispositivos vestíveis e dados de saúde gerados por pacientes ainda são fenômenos relativamente novos, e ainda estamos aprendendo como podem ser úteis. Que outras informações podemos obter dos muitos sensores em nossas vidas? Como essas métricas podem se complementar e funcionar com outros tipos de dados, como registros eletrônicos de saúde? Diferentes pontos de dados podem funcionar melhor para diferentes pacientes", disse a Sra.

Após a adoção generalizada da telemedicina e do atendimento remoto nos últimos anos, a necessidade de monitoramento remoto por meio de dispositivos de pacientes também poderá aumentar. Os médicos e os decisores políticos devem ter em mente o acesso a estes dispositivos à medida que se tornam cada vez mais populares, Dr. Hong.

"Um dos desafios de trabalhar com dados vestíveis do mundo real são as disparidades econômicas e raciais que afetam quem possui dispositivos que podem capturar esse tipo de dados. Acredito que é importante desenvolver ferramentas que sejam úteis para a clínica, mas também acessíveis a uma gama mais ampla de pacientes."

Fonte:

Sociedade Americana de Oncologia de Radiação

.