Uz mākslīgo intelektu balstīta metode var palīdzēt paredzēt melanomas recidīvu agrīnā stadijā

Uz mākslīgo intelektu balstīta metode var palīdzēt paredzēt melanomas recidīvu agrīnā stadijā

Lielākā daļa nāves gadījumu no melanomas - visnāvējošākā ādas vēža veida - rodas pacientiem, kuriem sākotnēji tika diagnosticēta melanomas agrīna stadija un kuriem vēlāk bija recidīvs, kas parasti netiek atklāts, kamēr tā nav izplatījusies vai metastāzes.

Masačūsetsas vispārējās slimnīcas (MGH) pētnieku vadītā komanda nesen izstrādāja uz mākslīgo intelektu balstītu metodi, lai prognozētu, kuri pacienti, visticamāk, piedzīvos recidīvu un tādējādi varētu gūt labumu no agresīvas ārstēšanas. Metode tika apstiprināta pētījumā, kas publicēts npj Precision Oncology.

Lielākajai daļai pacientu ar agrīnas stadijas melanomu tiek veikta ķirurģiska iejaukšanās, lai noņemtu vēža šūnas, bet pacienti ar progresējošu vēzi bieži saņem imūnās kontrolpunkta inhibitorus, kas efektīvi uzlabo imūnreakciju pret audzēja šūnām, taču tiem ir arī nozīmīgas blakusparādības.

Steidzami jāizstrādā prognozēšanas rīki, lai palīdzētu atlasīt augsta riska pacientus, kuriem imūnās kontrolpunkta inhibitoru priekšrocības attaisnotu augsto patoloģisku un potenciāli letālu nevēlamu imunoloģisku notikumu skaitu, kas novēroti ar šo zāļu grupu.

Jevgeņijs R. Semenovs, MD, vecākais autors, pētnieks, MGH Dermatoloģijas nodaļa

"Uzticama melanomas atkārtošanās prognoze var nodrošināt precīzāku imūnterapijas ārstēšanas izvēli, samazināt metastātiskas slimības progresēšanu un uzlabot melanomas izdzīvošanu, vienlaikus samazinot ārstēšanas toksicitātes iedarbību."

Lai to panāktu, Semenovs un viņa kolēģi novērtēja algoritmu efektivitāti, kas balstīti uz mašīnmācību, mākslīgā intelekta nozari, kas izmanto datus no elektroniskajiem veselības ierakstiem, lai prognozētu melanomas atkārtošanos.

Konkrēti, komanda savāca 1720 agrīnās stadijas melanomas - 1172 no Mass General Brigham Healthcare System (MGB) un 548 no Dana-Farber Cancer Institute (DFCI) - un no elektroniskajiem veselības ierakstiem izvilka 36 šo vēža klīniskās un patoloģiskās pazīmes, lai prognozētu pacientu ar mehāniskās mācīšanās algoritmu atkārtošanās risku. Algoritmi tika izstrādāti un apstiprināti, izmantojot dažādas MGB un DFCI pacientu kopas, un audzēja biezums un vēža šūnu dalīšanās ātrums tika identificēts kā visprognozējošākās pazīmes.

"Mūsu visaptverošā riska prognozēšanas platforma, kas izmanto jaunas mašīnmācīšanās pieejas, lai noteiktu agrīnas stadijas melanomas atkārtošanās risku, sasniedza augstu klasifikācijas līmeni un laika līdz notikuma prognozēšanas precizitāti," saka Semenovs. "Mūsu rezultāti liecina, ka mašīnmācīšanās algoritmi var iegūt prognozējošos signālus no klīniski patoloģiskām iezīmēm, lai prognozētu melanomas agrīnas stadijas recidīvu, kas ļaus identificēt pacientus, kuri var gūt labumu no adjuvanta imūnterapijas."

Avots:

Masačūsetsas vispārējā slimnīca

Atsauce:

Vans, G. u.c. (2022) Agrīnas stadijas melanomas atkārtošanās prognoze, pamatojoties uz klīniskām un histopatoloģiskajām pazīmēm. npj Precīzijas onkoloģija. doi.org/10.1038/s41698-022-00321-4.

.