Neues KI-System zielt darauf ab, die reale Anwendung klinischer Studienergebnisse zu verbessern

Eine neue Studie unter der Leitung des Winship Cancer Institute of Emory University und des Abramson Cancer Center der Forscher der Universität von Pennsylvania zeigt, dass eine erstklassige Plattform mit künstlicher Intelligenz (KI) Klinikern und Patienten helfen könnte, zu beurteilen, ob und wie viel ein individueller Patient kann von einer bestimmten Therapie profitieren, die in einer klinischen Studie getestet wird. Diese KI -Plattform kann dazu beitragen, fundierte Behandlungsentscheidungen zu treffen, die erwarteten Vorteile neuer Therapien zu verstehen und die zukünftige Versorgung zu planen.

Die Studie, veröffentlicht in Naturmedizinwurde vom vom Vorstand zertifizierten medizinischen Onkologen Ravi B. Parikh, MD, MPP, medizinischer Direktor der Daten- und Technologieanwendungen, gemeinsame Ressourcen am Winship Cancer Institute of Emory University und Associate Professor an der Abteilung für Hämatologie und medizinische Onkologie der Emory University School der Medizin, die KI -Anwendungen entwickelt und integriert, um die Versorgung von Krebspatienten zu verbessern. QI Long, PhD, Professor für Biostatistik sowie Computer- und Informationswissenschaft sowie Gründungsdirektor des Zentrums für Krebsdatenwissenschaften an der Universität von Pennsylvania und Associate Director für quantitative Datenwissenschaft des Abramson Cancer Center of Penn Medicine, war CO. -Senior Autor. Der Erstautor der Studie war Xavier Orcutt, MD, ein Auszubildender in Parikhs Labor. Weitere Studienautoren waren Kan Chen, ein Doktorand für Studenten im Long -Labor, und Ronac Mamtani, Associate Professor für Medizin an der Universität von Pennsylvania.

Parikh und seine Kollegen entwickelten TrialTranslator, einen Rahmen für maschinelles Lernen, um klinische Studienergebnisse in reale Bevölkerungsgruppen zu „übersetzen“. Durch die Nachahmung von elf krebsklinischen Studien unter Verwendung realer Daten konnten sie die tatsächlichen klinischen Studienergebnisse rekapitulieren und so ermöglichen, dass bestimmte Gruppen von Patienten in einer klinischen Studie gut auf Behandlungen reagieren können, und diejenigen, die dies möglicherweise nicht tun.

„Wir hoffen, dass diese KI -Plattform einen Rahmen bietet, um Ärzten und Patienten zu entscheiden, ob die Ergebnisse einer klinischen Studie für einzelne Patienten gelten können“, sagt Parikh. „Darüber hinaus kann diese Studie den Forschern helfen, Untergruppen zu identifizieren, in denen neuartige Behandlungen nicht funktionieren, und neuere klinische Studien für diese Hochrisikogruppen ausführen.“

„Unsere Arbeit zeigt das enorme Potenzial, KI/ML zu nutzen, um die Kraft reichhaltiger, aber komplexer realer Daten zu nutzen, um die Präzisionsmedizin von ihrer besten Seite zu fördern“, fügt Long hinzu.

Begrenzte Verallgemeinerbarkeit von Versuchsergebnissen

Parikh erklärt, dass klinische Studien mit potenziellen neuen Behandlungen begrenzt sind, da weniger als 10% aller Krebspatienten an einer klinischen Studie teilnehmen. Dies bedeutet, dass klinische Studien häufig nicht alle Patienten mit diesem Krebs darstellen. Auch wenn eine klinische Studie zeigt, dass eine neuartige Behandlungsstrategie bessere Ergebnisse als den Standard der Versorgung hat, „gibt es viele Patienten, bei denen die neuartige Behandlung nicht funktioniert“, sagt Parikh.

„Dieser Rahmen und unsere Open-Source-Taschenrechner ermöglichen es Patienten und Ärzten, zu entscheiden, ob die Ergebnisse der klinischen Phase-III-Studien für einzelne Krebspatienten anwendbar sind“ von anderen randomisierten Studien, einschließlich Studien, die negative Ergebnisse erzielten. „

Wie sie ihre Analyse durchgeführt haben

Parikh und Kollegen verwendeten eine landesweite Datenbank mit elektronischen Gesundheitsakten (EHR) von Flatiron Health, um 11 randomisierte kontrollierte Studien (Studien, die die Auswirkungen verschiedener Behandlungen durch zufällig zugewiesene Teilnehmer zu Gruppen zuweisen) zu emulieren. Vier am häufigsten fortgeschrittene, feste Malignitäten in den USA: Fortgeschrittener nicht-kleinzelliger Lungenkrebs, metastasierter Brustkrebs, metastatischer Prostatakrebs und metastasierter Darmkrebs.

Was sie fanden

Ihre Analyse ergab, dass Patienten mit Phänotypen mit niedrigem und mittlerem Risiko, bei denen es sich um Merkmale basierender Merkmale handelte, die zur Beurteilung der zugrunde liegenden Prognose eines Patienten verwendet wurden Versuche. Im Gegensatz dazu zeigten diejenigen mit Phänotypen mit hohem Risiko signifikant niedrigere Überlebenszeiten und Behandlungs-assoziierte Überlebensvorteile im Vergleich zu den randomisierten kontrollierten Studien.

Ihre Ergebnisse deuten darauf hin, dass maschinelles Lernen Gruppen von realen Patienten identifizieren kann, bei denen randomisierte kontrollierte Studienergebnisse weniger verallgemeinerbar sind. Dies bedeutet, dass „reale Patienten wahrscheinlich heterogene Prognosen haben als randomisierte kontrollierte Studienteilnehmer“.

Warum das wichtig ist

Das Forschungsteam kommt zu dem Schluss, dass die Studie „darauf hindeutet, dass die Prognose der Patienten und nicht die Zulassungskriterien besser über das Überleben und die Behandlungsvorteil prognostiziert“. Sie empfehlen, dass prospektive Studien „anspruchsvollere Wege zur Bewertung der Prognose der Patienten beim Eintritt in Betracht ziehen sollten, anstatt sich ausschließlich auf strenge Zulassungskriterien zu verlassen“.

Darüber hinaus zitieren sie Empfehlungen der American Society of Clinical Oncology und Friends of Cancer Research, dass die Repräsentation der Repräsentation von Untergruppen mit hohem Risiko in randomisierten kontrollierten Studien unternommen werden sollte, wenn man bedenkt, dass die Behandlungseffekte für diese Personen sich von anderen Teilnehmern unterscheiden könnten. „

In Bezug auf die Rolle von KI in solchen Studien, sagt Parikh: Unabhängig davon, ob Patienten bestimmte Therapien reagieren oder nicht, diagnostizieren Krebserkrankungen früher oder führen zu besseren Prognosen für unsere Patienten. „

Diese Forschung wurde durch Zuschüsse des National Institute of Health: K08CA263541, P30CA016520 und U01CA274576 unterstützt.

Quellen: