人工智能模型预测癌症放射治疗期间计划外住院的可能性

人工智能模型预测癌症放射治疗期间计划外住院的可能性

研究人员开发的人工智能（AI）模型可以预测患者在癌症放射治疗期间意外住院的可能性。 机器学习模型使用每日步数作为代理来监测癌症治疗期间患者的健康状况，为医生提供实时方法来提供个性化护理。 研究结果将于今天在美国放射肿瘤学会 (ASTRO) 年会上公布。

据估计，接受门诊放疗或放化疗的患者中有 10-20% 在癌症治疗期间需要急诊室 (ED) 就诊或住院治疗等形式的紧急护理。 这些计划外住院治疗对于接受癌症治疗的人来说可能是一个重大挑战，导致治疗中断和压力，从而影响临床结果。 对并发症风险较高的患者进行早期发现和干预可以预防这些事件。

如果您能够预测患者意外住院的风险，您就可以改变支持他们癌症治疗的方式，并降低他们最终进入急诊室或医院的可能性。”

Julian Hong 医学博士，该研究的高级作者

Julian Hong 是加州大学旧金山分校 (UCSF) 放射肿瘤学和计算健康科学助理教授，同时兼任放射肿瘤学信息学医学主任。

Hong 博士的团队此前曾表明，机器学习算法可以使用癌症病史和治疗计划等健康数据来识别癌症治疗期间急诊就诊风险较高的患者，并且其提供者的额外监测可降低这些患者的急症护理率。

在当前的研究中，他和加州大学旧金山分校的主要作者兼临床数据科学家伊莎贝尔·弗里斯纳 (Isabel Friesner) 与医学博士 Nitin Ohri 以及纽约 Montefiore 医疗中心的同事合作，将机器学习方法应用于可穿戴消费设备的数据。 Ohri 博士和他的团队此前在三项前瞻性临床试验（NCT02649569、NCT03102229、NCT03115398）中收集了 214 名患者的数据。 在每项研究中，参与者都佩戴健身追踪器，在接受放化疗期间监测他们几周的活动。 研究参与者患有各种类型的原发性肿瘤，最常见的是头颈癌 (30%) 或肺癌 (29%)。

这些患者记录中的步数和其他数据被用来开发和测试弹性网络正则化逻辑回归模型，这是一种可以分析大量复杂信息的机器学习模型。 他们模型的目标是根据前两周的数据预测患者下周住院的概率。

研究人员首先使用 70% 的研究参与者（151 人）的数据，通过检查各种变量预测住院治疗的效果来建立模型。 模型中的潜在预测因素包括患者特征（例如年龄、ECOG 表现状态）和治疗前和治疗期间测量的活动数据。 除了每日步数之外，研究人员还计算了其他指标，例如： B. 一个人每周平均值的相对变化或每周最小步数和最大步数之间的差异。

研究小组随后在剩余 30% 的患者（63 人）上验证了该模型。 包含步数计数的模型可以强烈预测下周的住院情况（AUC = 0.80，95% 置信区间 [CI] 0.60-0.90），并且显着优于不包含步数计数的模型（AUC = 0.46，95% CI 0.24-0.66，p<0.001）。

“预测窗口之前的步数通常比临床变量提供更多信息。步数的动态性质，即它们每天都在变化的事实，似乎使它们成为患者健康状况的特别好的指标，”洪博士说。

模型中的关键预测变量包括过去两天每天的步数，以及过去两周最大步数和步数范围的相对变化。

动态数据的使用将该模型与基于临床数据（例如性能状态和肿瘤组织学）的模型区分开来。 “该模型的独特之处在于它被设计为滚动预测，”弗里斯纳女士解释道。 “你可以在任何一天运行该算法，并提前一周了解患者的风险级别，让你有时间提供他们所需的额外支持。”

洪博士解释说，这种额外的支持对于减少住院时间至关重要，无论是安排更频繁的随访、改变患者的治疗计划还是采取其他个性化方法。 “有效的核心是，这是医生看病人的一个额外接触点。它让病人安心，知道我们正在照顾他们。”

“随着越来越多的人开始使用可穿戴设备，问题就出现了：他们收集的数据是否有用。我们的研究表明，我们的患者在日常生活中收集自己的健康数据是有价值的，我们可以利用这些数据来监测和预测他们的健康状况，”弗里斯纳女士补充道。

研究人员的下一步包括按照 Ohri 博士领导的 NRGF-001 试验 (NCT04878952) 描述的方式对算法进行更严格的验证，该试验将随机分配接受肺癌 CRT 的患者进行有或没有每日步数监测的治疗。 计步组中患者的医生在整个治疗过程中从模型接收数据。

研究人员还计划进行其他研究，以检查可穿戴设备收集的其他指标，例如： B. 心率及其在临床中的使用。

“可穿戴设备和患者生成的健康数据仍然是相对较新的现象，我们仍在了解它们如何发挥作用。我们还可以从生活中的众多传感器获得哪些其他信息？这些指标如何相互补充并与其他类型的数据（例如电子健康记录）一起使用？不同的数据点可能对不同的患者更有效，”弗里斯纳女士说。

随着近年来远程医疗和远程护理的广泛采用，通过患者设备进行远程监控的需求也可能会增加。 Hong 博士说，随着这些设备变得越来越受欢迎，临床医生和政策制定者应该牢记这些设备的使用情况。

“处理现实世界的可穿戴数据的挑战之一是经济和种族差异，这会影响谁拥有可以捕获此类数据的设备。我认为开发对诊所有用但也可供更广泛的患者使用的工具非常重要。”

来源：

美国放射肿瘤学会

。