Model AI napoveduje verjetnost nenačrtovanih hospitalizacij med obsevanjem raka

Model AI napoveduje verjetnost nenačrtovanih hospitalizacij med obsevanjem raka

Model umetne inteligence (AI), ki so ga razvili raziskovalci, lahko napove verjetnost, da bo bolnik med obsevanjem zaradi raka doživel nenačrtovano hospitalizacijo. Model strojnega učenja uporablja dnevno štetje korakov kot približek za spremljanje zdravja pacientov med zdravljenjem raka, kar zdravnikom zagotavlja metodo v realnem času za zagotavljanje prilagojene oskrbe. Rezultati bodo predstavljeni danes na letnem srečanju Ameriškega združenja za radiacijsko onkologijo (ASTRO).

Ocenjuje se, da 10–20 % bolnikov, ki prejemajo ambulantno obsevanje ali kemoradioterapijo, potrebuje akutno oskrbo v obliki obiska urgentnega oddelka (ED) ali hospitalizacije med zdravljenjem raka. Te nenačrtovane hospitalizacije so lahko velik izziv za ljudi, ki se zdravijo zaradi raka, saj povzročajo prekinitve zdravljenja in stres, ki lahko vpliva na klinične rezultate. Zgodnje odkrivanje in posredovanje pri bolnikih z večjim tveganjem za zaplete lahko prepreči te dogodke.

Če lahko predvidite bolnikovo tveganje za nenačrtovano hospitalizacijo, lahko spremenite način, kako ga podpirate pri zdravljenju raka in zmanjšate verjetnost, da bo končal na urgenci ali v bolnišnici.«

Julian Hong, MD, višji avtor študije

Julian Hong je docent za radiacijsko onkologijo in računalniške zdravstvene vede na Kalifornijski univerzi v San Franciscu (UCSF), kjer je tudi medicinski direktor informatike za radiacijsko onkologijo.

Skupina dr. Honga je že pokazala, da lahko algoritem strojnega učenja uporablja zdravstvene podatke, kot sta zgodovina raka in načrt zdravljenja, za identifikacijo bolnikov z večjim tveganjem obiskov ED med zdravljenjem raka in da dodatno spremljanje s strani njihovih ponudnikov zmanjša stopnje akutne oskrbe za te bolnike.

Za trenutno študijo sta on in Isabel Friesner, glavni avtor in znanstvenik za klinične podatke pri UCSF, sodelovala z Nitinom Ohrijem, MD, in sodelavci v medicinskem centru Montefiore v New Yorku, da bi uporabili pristope strojnega učenja za podatke iz nosljivih potrošniških naprav. Dr. Ohri in njegova ekipa so predhodno zbrali podatke od 214 bolnikov v treh prospektivnih kliničnih preskušanjih (NCT02649569, NCT03102229, NCT03115398). V vsaki od teh študij so udeleženci nosili merilnike telesne pripravljenosti, ki so več tednov spremljali njihovo aktivnost, medtem ko so prejemali kemoradioterapijo. Udeleženci študije so imeli različne vrste primarnih tumorjev, najpogosteje raka glave in vratu (30 %) ali raka pljuč (29 %).

Število korakov in drugi podatki iz zapisov teh bolnikov so bili uporabljeni za razvoj in testiranje elastičnega neto regulariziranega logističnega regresijskega modela, vrste modela strojnega učenja, ki lahko analizira veliko količino kompleksnih informacij. Cilj njihovega modela je bil napovedati verjetnost, da bo bolnik v naslednjem tednu hospitaliziran na podlagi podatkov iz prejšnjih dveh tednov.

Raziskovalci so najprej zgradili model s preučevanjem, kako dobro različne spremenljivke napovedujejo hospitalizacijo, pri čemer so uporabili podatke 70 % udeležencev študije (151 ljudi). Potencialni napovedovalci v modelu so vključevali značilnosti bolnika (npr. starost, stanje zmogljivosti po ECOG) in podatke o dejavnosti, izmerjene pred in med zdravljenjem. Poleg dnevnega števila korakov so raziskovalci izračunali še druge meritve, kot so: B. Relativne spremembe v tedenskih povprečjih osebe ali razlika med najmanjšim in največjim številom korakov na teden.

Raziskovalna skupina je nato potrdila model na preostalih 30 % bolnikov (63 ljudi). Model, ki je vključeval število korakov, je močno napovedoval hospitalizacijo v naslednjem tednu (AUC = 0,80, 95-odstotni interval zaupanja [CI] 0,60-0,90) in je znatno presegel model brez števila korakov (AUC = 0,46, 95-odstotni IZ 0,24-0,66, p<0,001).

"Število korakov neposredno pred napovednim oknom je bilo na splošno bolj informativno kot klinične spremenljivke. Dinamična narava števila korakov, dejstvo, da se spreminjajo vsak dan, se zdi, da so še posebej dober pokazatelj bolnikovega zdravstvenega stanja," je dejal dr. Hong.

Ključne napovedovalne spremenljivke v modelu so vključevale število korakov za vsakega od zadnjih dveh dni, pa tudi relativne spremembe največjega števila korakov in obsega števila korakov v zadnjih dveh tednih.

Uporaba dinamičnih podatkov razlikuje ta model od modelov, ki temeljijo na kliničnih podatkih, kot sta stanje delovanja in histologija tumorja. "Eden od edinstvenih delov tega modela je, da je zasnovan kot tekoča napoved," je pojasnila gospa Friesner. "Algoritem lahko zaženete kateri koli dan in imate idejo o pacientovi stopnji tveganja teden dni vnaprej, kar vam daje čas, da zagotovite dodatno podporo, ki jo potrebujejo."

Ta dodatna podpora je ključna za zmanjšanje bivanja v bolnišnici, je pojasnil dr. Hong, ne glede na to, ali gre za načrtovanje pogostejših kontrolnih pregledov, spremembo bolnikovega načrta zdravljenja ali uporabo drugega prilagojenega pristopa. "Bistvo tega, kar deluje, je, da je to dodatna stična točka za zdravnika, da vidi pacienta. Pacientu daje mir, saj ve, da skrbimo zanj."

"Ker vse več ljudi začne uporabljati nosljive naprave, se postavlja vprašanje, ali so podatki, ki jih zbirajo, lahko koristni. Naša študija kaže, da je vredno, da naši pacienti zbirajo lastne zdravstvene podatke v vsakdanjem življenju, in da lahko te podatke uporabimo za spremljanje in napovedovanje njihovega zdravstvenega stanja," je dodala gospa Friesner.

Naslednji koraki za preiskovalce vključujejo strožjo validacijo algoritma na način, opisan v preskušanju NRGF-001 pod vodstvom dr. Ohrija (NCT04878952), ki bo randomiziral bolnike, ki se zdravijo s CRT zaradi pljučnega raka, na zdravljenje z ali brez dnevnega spremljanja števila korakov. Zdravniki bolnikov v skupini Step Count prejemajo podatke iz modela skozi celoten proces zdravljenja.

Raziskovalci načrtujejo tudi druge študije za preučitev dodatnih meritev, ki jih zbirajo nosljive naprave, kot so: B. srčni utrip in njegova uporaba v kliniki.

"Nosljive naprave in zdravstveni podatki, ki jih ustvarijo pacienti, so še vedno razmeroma novi pojavi in ​​še vedno se učimo, kako so lahko koristni. Katere druge informacije lahko dobimo iz številnih senzorjev v našem življenju? Kako se lahko te metrike dopolnjujejo in delujejo z drugimi vrstami podatkov, kot so elektronski zdravstveni kartoni? Različne podatkovne točke bi lahko delovale bolje za različne paciente," je dejala gospa Friesner.

Po vsesplošnem sprejemanju telemedicine in oskrbe na daljavo v zadnjih letih se lahko poveča tudi potreba po nadzoru na daljavo prek bolnikovih naprav. Kliniki in oblikovalci politik bi morali imeti v mislih dostop do teh naprav, saj postajajo vse bolj priljubljene, dr. Hong.

"Eden od izzivov dela z nosljivimi podatki v resničnem svetu so ekonomske in rasne razlike, ki vplivajo na to, kdo ima v lasti naprave, ki lahko zajamejo to vrsto podatkov. Mislim, da je pomembno razviti orodja, ki so uporabna za kliniko, a tudi dostopna širšemu krogu pacientov."

Vir:

Ameriško združenje za radiacijsko onkologijo

.