Model AI predpovedá pravdepodobnosť neplánovaných hospitalizácií počas ožarovania rakoviny

Model AI predpovedá pravdepodobnosť neplánovaných hospitalizácií počas ožarovania rakoviny

Model umelej inteligencie (AI) vyvinutý výskumníkmi dokáže predpovedať pravdepodobnosť neplánovanej hospitalizácie pacienta počas radiačnej liečby rakoviny. Model strojového učenia využíva denné počty krokov ako proxy na monitorovanie zdravia pacientov počas liečby rakoviny a poskytuje lekárom metódu v reálnom čase na poskytovanie personalizovanej starostlivosti. Výsledky budú dnes prezentované na výročnom stretnutí Americkej spoločnosti pre radiačnú onkológiu (ASTRO).

Odhaduje sa, že 10 – 20 % pacientov ambulantne podstupujúcich ožarovanie alebo chemorádioterapiu potrebuje počas liečby rakoviny akútnu starostlivosť vo forme návštevy urgentného príjmu (UP) alebo hospitalizácie. Tieto neplánované hospitalizácie môžu byť veľkou výzvou pre ľudí podstupujúcich liečbu rakoviny, spôsobujúce prerušenie liečby a stres, ktorý môže ovplyvniť klinické výsledky. Včasná detekcia a intervencia u pacientov s vyšším rizikom komplikácií môže týmto udalostiam zabrániť.

Ak viete predvídať riziko neplánovanej hospitalizácie pacienta, môžete zmeniť spôsob, akým ho podporujete pri liečbe rakoviny a znížiť pravdepodobnosť, že skončí na pohotovosti alebo v nemocnici.“

Julian Hong, MD, hlavný autor štúdie

Julian Hong je odborným asistentom radiačnej onkológie a počítačových zdravotníckych vied na Kalifornskej univerzite v San Franciscu (UCSF), kde pôsobí aj ako medicínsky riaditeľ informatiky radiačnej onkológie.

Tím Dr. Honga už predtým ukázal, že algoritmus strojového učenia môže použiť zdravotné údaje, ako je história rakoviny a plán liečby, na identifikáciu pacientov s vyšším rizikom návštev ED počas liečby rakoviny a že dodatočné monitorovanie ich poskytovateľmi znižuje mieru akútnej starostlivosti o týchto pacientov.

Pre súčasnú štúdiu spolupracoval s Isabel Friesner, vedúcou autorkou a vedkyňou klinických údajov v UCSF s Nitinom Ohrim, MD a kolegami z Montefiore Medical Center v New Yorku, aby aplikovali prístupy strojového učenia na údaje z nositeľných spotrebiteľských zariadení. Dr. Ohri a jeho tím predtým zhromaždili údaje od 214 pacientov v troch prospektívnych klinických štúdiách (NCT02649569, NCT03102229, NCT03115398). V každej z týchto štúdií mali účastníci na sebe fitness sledovače, ktoré sledovali ich aktivitu počas niekoľkých týždňov, kým dostávali chemorádioterapiu. Účastníci štúdie mali rôzne typy primárnych nádorov, najčastejšie hlavy a krku (30 %) alebo rakovinu pľúc (29 %).

Počty krokov a ďalšie údaje zo záznamov týchto pacientov sa použili na vývoj a testovanie elastického sieťového regularizovaného logistického regresného modelu, typu modelu strojového učenia, ktorý dokáže analyzovať veľké množstvo komplexných informácií. Cieľom ich modelu bolo predpovedať pravdepodobnosť, že pacient bude hospitalizovaný v nasledujúcom týždni na základe údajov z predchádzajúcich dvoch týždňov.

Výskumníci najprv vytvorili model tak, že skúmali, ako dobre rôzne premenné predpovedali hospitalizáciu, pričom použili údaje od 70 % účastníkov štúdie (151 ľudí). Potenciálne prediktory v modeli zahŕňali charakteristiky pacienta (napr. vek, výkonnostný stav ECOG) a údaje o aktivite namerané pred liečbou a počas nej. Vedci okrem denných počtov krokov vypočítali aj ďalšie metriky, ako napríklad: B. Relatívne zmeny v týždenných priemeroch osoby alebo rozdiel medzi minimálnym a maximálnym počtom krokov za týždeň.

Výskumný tím potom overil model na zvyšných 30 % pacientov (63 ľudí). Model zahŕňajúci počty krokov silne predpovedal hospitalizáciu nasledujúci týždeň (AUC = 0,80, 95 % interval spoľahlivosti [CI] 0,60-0,90) a výrazne prekonal model bez počtu krokov (AUC = 0,46, 95 % CI 0,24-0,66, p<0,001).

"Počty krokov bezprostredne pred oknom predpovede boli vo všeobecnosti informatívnejšie ako klinické premenné. Zdá sa, že dynamická povaha počtov krokov, skutočnosť, že sa menia každý deň, z nich robí obzvlášť dobrý indikátor zdravotného stavu pacienta," povedal Dr. Hong.

Kľúčové prediktorové premenné v modeli zahŕňali počty krokov z každého z posledných dvoch dní, ako aj relatívne zmeny v maximálnom počte krokov a rozsahu počtu krokov za posledné dva týždne.

Použitie dynamických údajov odlišuje tento model od modelov založených na klinických údajoch, ako je stav výkonnosti a histológia nádoru. „Jednou z unikátnych súčastí tohto modelu je, že je navrhnutý ako pohyblivá predpoveď,“ vysvetlila pani Friesner. "Algoritmus môžete spustiť v ktorýkoľvek deň a mať predstavu o úrovni rizika pacienta týždeň vopred, čo vám poskytne čas na poskytnutie ďalšej podpory, ktorú potrebujú."

Táto dodatočná podpora je kľúčom k zníženiu počtu pobytov v nemocnici, vysvetlil Dr. Hong, či už ide o plánovanie častejších kontrolných návštev, zmenu plánu liečby pacienta alebo iný personalizovaný prístup. "Jadrom toho, čo funguje, je to, že toto je dodatočný kontaktný bod pre lekára, aby mohol vidieť pacienta. Pacientovi to dáva pokoj, pretože vie, že sa o neho staráme."

"Keďže čoraz viac ľudí začína používať nositeľné zariadenia, vynára sa otázka, či by údaje, ktoré zbierajú, mohli byť užitočné. Naša štúdia ukazuje, že má hodnotu, keď naši pacienti zbierajú svoje vlastné zdravotné údaje v každodennom živote, a že tieto údaje môžeme použiť na následné sledovanie a predpovedanie ich zdravotného stavu," dodala pani Friesner.

Ďalšie kroky pre výskumníkov zahŕňajú dôslednejšiu validáciu algoritmu spôsobom opísaným v štúdii NRGF-001 vedenej Dr. Ohri (NCT04878952), ktorá randomizuje pacientov podstupujúcich CRT pre rakovinu pľúc na liečbu s denným monitorovaním počtu krokov alebo bez neho. Lekári pacientov v skupine Step Count dostávajú údaje z modelu počas celého liečebného procesu.

Výskumníci tiež plánujú ďalšie štúdie na preskúmanie ďalších metrík zhromaždených nositeľnými zariadeniami, ako napríklad: B. srdcová frekvencia a jej použitie na klinike.

"Nositeľné zariadenia a údaje o zdravotnom stave generované pacientmi sú stále relatívne novým fenoménom a stále sa učíme, ako môžu byť užitočné. Aké ďalšie informácie môžeme získať z množstva senzorov v našich životoch? Ako sa môžu tieto metriky navzájom dopĺňať a pracovať s inými typmi údajov, ako sú elektronické zdravotné záznamy? Rôzne údajové body môžu fungovať lepšie pre rôznych pacientov," povedala pani Friesner.

Po rozšírenom prijatí telemedicíny a starostlivosti na diaľku v posledných rokoch sa môže zvýšiť aj potreba vzdialeného monitorovania prostredníctvom zariadení pacientov. Lekári a tvorcovia politík by mali mať na pamäti prístup k týmto zariadeniam, pretože sú čoraz populárnejšie, Dr. Hong.

"Jednou z výziev práce s údajmi z reálneho sveta, ktoré sa dajú nosiť, sú ekonomické a rasové rozdiely, ktoré majú vplyv na to, kto vlastní zariadenia, ktoré dokážu zachytiť tento typ údajov. Myslím si, že je dôležité vyvinúť nástroje, ktoré sú užitočné pre kliniku, ale zároveň dostupné pre širší okruh pacientov."

Zdroj:

Americká spoločnosť pre radiačnú onkológiu

.