Modelul AI prezice probabilitatea de spitalizări neplanificate în timpul tratamentelor cu radiații pentru cancer

Modelul AI prezice probabilitatea de spitalizări neplanificate în timpul tratamentelor cu radiații pentru cancer

Un model de inteligență artificială (AI) dezvoltat de cercetători poate prezice probabilitatea ca un pacient să se confrunte cu o spitalizare neplanificată în timpul tratamentului cu radiații pentru cancer. Modelul de învățare automată folosește contorizarea zilnică a pașilor ca proxy pentru a monitoriza sănătatea pacienților în timpul terapiei pentru cancer, oferind medicilor o metodă în timp real pentru a oferi îngrijiri personalizate. Rezultatele vor fi prezentate astăzi la reuniunea anuală a Societății Americane pentru Oncologie Radiațională (ASTRO).

Se estimează că 10-20% dintre pacienții care primesc radiații sau chimioradioterapie în ambulatoriu necesită îngrijire acută sub forma unei vizite la departamentul de urgență (ED) sau spitalizare în timpul tratamentului lor pentru cancer. Aceste spitalizări neplanificate pot fi o provocare majoră pentru persoanele care urmează un tratament pentru cancer, cauzând întreruperi ale tratamentului și stres care pot avea un impact asupra rezultatelor clinice. Detectarea și intervenția precoce la pacienții cu risc mai mare de complicații pot preveni aceste evenimente.

Dacă puteți prezice riscul unui pacient de o spitalizare neplanificată, puteți schimba modul în care îl susțineți în tratamentul cancerului și puteți reduce probabilitatea ca acesta să ajungă în camera de urgență sau în spital.”

Julian Hong, MD, autor principal al studiului

Julian Hong este profesor asistent de oncologie radiațiilor și științe computaționale a sănătății la Universitatea din California, San Francisco (UCSF), unde este, de asemenea, director medical de informatică oncologică a radiațiilor.

Echipa Dr. Hong a arătat anterior că un algoritm de învățare automată poate folosi date de sănătate, cum ar fi istoricul cancerului și planul de tratament pentru a identifica pacienții cu risc mai mare de vizite la urgențe în timpul tratamentului pentru cancer și că monitorizarea suplimentară de către furnizorii lor reduce ratele de îngrijire acută pentru acești pacienți.

Pentru studiul actual, el și Isabel Friesner, autor principal și om de știință de date clinice la UCSF, au lucrat cu Nitin Ohri, MD, și colegii de la Montefiore Medical Center din New York, pentru a aplica abordări de învățare automată la datele de la dispozitivele portabile de consum. Dr. Ohri și echipa sa au colectat anterior date de la 214 pacienți în trei studii clinice prospective (NCT02649569, NCT03102229, NCT03115398). În fiecare dintre aceste studii, participanții au purtat trackere de fitness care le-au monitorizat activitatea timp de câteva săptămâni în timp ce au primit chimioradioterapie. Participanții la studiu au avut diferite tipuri de tumori primare, cel mai frecvent la cap și gât (30%) sau cancer pulmonar (29%).

Numărările de pași și alte date din înregistrările acestor pacienți au fost folosite pentru a dezvolta și testa un model elastic de regresie logistică regularizată, un tip de model de învățare automată care poate analiza o cantitate mare de informații complexe. Scopul modelului lor a fost de a prezice probabilitatea ca un pacient să fie spitalizat în săptămâna următoare, pe baza datelor din ultimele două săptămâni.

Cercetătorii au construit mai întâi modelul examinând cât de bine au prezis diferitele variabile spitalizarea, folosind date de la 70% dintre participanții la studiu (151 de persoane). Predictorii potențiali din model au inclus caracteristicile pacientului (de exemplu, vârsta, starea de performanță ECOG) și datele de activitate măsurate înainte și în timpul tratamentului. Pe lângă numărul zilnic de pași, cercetătorii au calculat și alte valori, cum ar fi: B. Modificări relative ale mediilor săptămânale ale unei persoane sau diferența dintre numărul minim și maxim de pași pe săptămână.

Echipa de cercetare a validat apoi modelul pe restul de 30% dintre pacienți (63 de persoane). Modelul care încorporează numărul de pași a fost puternic predictiv pentru spitalizarea săptămâna următoare (ASC = 0,80, interval de încredere 95% [IC] 0,60-0,90) și a depășit semnificativ modelul fără numărarea pașilor (AUC = 0,46, IC 95% 0,24-0,66, p<0).

„Numărările de pași imediat înainte de fereastra de predicție au fost, în general, mai informative decât variabilele clinice. Natura dinamică a numărului de pași, faptul că se schimbă în fiecare zi, pare să le facă un indicator deosebit de bun al stării de sănătate a pacientului”, a spus dr. Hong.

Variabilele cheie de predicție din model au inclus numărarea pașilor din fiecare dintre ultimele două zile, precum și modificările relative ale numărului maxim de pași și intervalului numărului de pași în ultimele două săptămâni.

Utilizarea datelor dinamice distinge acest model de modelele bazate pe date clinice, cum ar fi starea de performanță și histologia tumorii. „Una dintre părțile unice ale acestui model este că este conceput pentru a fi o prognoză continuă”, a explicat doamna Friesner. „Puteți rula algoritmul în orice zi și aveți o idee despre nivelul de risc al unui pacient cu o săptămână în avans, oferindu-vă timp pentru a oferi sprijinul suplimentar de care are nevoie.”

Acest sprijin suplimentar este esențial pentru reducerea șederii în spital, a explicat dr. Hong, fie că este vorba despre programarea unor vizite de urmărire mai frecvente, schimbarea planului de tratament al pacientului sau adoptarea unei alte abordări personalizate. „Miezul a ceea ce funcționează este că acesta este un punct de contact suplimentar pentru un medic pentru a vedea un pacient. Acesta oferă pacientului liniște sufletească știind că suntem în căutarea lor”.

„Pe măsură ce tot mai mulți oameni încep să folosească articolele portabile, se pune întrebarea dacă datele pe care le colectează ar putea fi utile. Studiul nostru arată că există valoare ca pacienții noștri să-și colecteze propriile date de sănătate în viața de zi cu zi și că putem folosi aceste date pentru a monitoriza și a prezice apoi starea lor de sănătate”, a adăugat doamna Friesner.

Următorii pași pentru anchetatori includ validarea mai riguroasă a algoritmului în modul descris de studiul NRGF-001 condus de Dr. Ohri (NCT04878952), care va randomiza pacienții supuși CRT pentru cancer pulmonar la tratament cu sau fără monitorizarea zilnică a numărului de pași. Medicii pacienților din brațul Step Count primesc date de la model pe tot parcursul procesului de tratament.

Cercetătorii planifică, de asemenea, alte studii pentru a examina valori suplimentare colectate de dispozitivele portabile, cum ar fi: B. ritmul cardiac și utilizarea acesteia în clinică.

„Dispozitivele purtabile și datele de sănătate generate de pacienți sunt încă fenomene relativ noi și încă învățăm cum pot fi utile. Ce alte informații putem obține de la mulți senzori din viața noastră? Cum se pot completa aceste valori și să lucreze cu alte tipuri de date, cum ar fi dosarele electronice de sănătate? Diferite puncte de date ar putea funcționa mai bine pentru diferiți pacienți”, a spus dna Friesner.

Ca urmare a adoptării pe scară largă a telemedicinei și a îngrijirii la distanță în ultimii ani, necesitatea monitorizării de la distanță prin dispozitive pentru pacienți poate crește, de asemenea. Clinicienii și factorii de decizie ar trebui să țină cont de accesul la aceste dispozitive pe măsură ce devin din ce în ce mai populare, dr. Hong.

„Una dintre provocările lucrului cu date purtabile din lumea reală este disparitățile economice și rasiale care influențează cine deține dispozitive care pot capta acest tip de date. Cred că este important să dezvoltăm instrumente care să fie utile pentru clinică, dar și accesibile pentru o gamă mai largă de pacienți”.

Sursă:

Societatea Americană pentru Oncologie Radiațională

.