Ein von Forschern entwickeltes Modell der künstlichen Intelligenz (KI) kann die Wahrscheinlichkeit vorhersagen, dass ein Patient während seiner Strahlenbehandlung gegen Krebs einen ungeplanten Krankenhausaufenthalt erleidet. Das maschinelle Lernmodell verwendet die täglichen Schrittzahlen als Proxy, um die Gesundheit der Patienten während der Krebstherapie zu überwachen, und bietet Ärzten eine Echtzeitmethode zur Bereitstellung einer personalisierten Versorgung. Die Ergebnisse werden heute auf der Jahrestagung der American Society for Radiation Oncology (ASTRO) vorgestellt.
Schätzungsweise 10–20 % der Patienten, die eine ambulante Strahlen- oder Radiochemotherapie erhalten, benötigen während ihrer Krebsbehandlung eine Akutversorgung in Form eines Besuchs in der Notaufnahme (ED) oder eines Krankenhausaufenthalts. Diese ungeplanten Krankenhausaufenthalte können eine große Herausforderung für Menschen sein, die sich einer Krebsbehandlung unterziehen, da sie Behandlungsunterbrechungen und Stress verursachen, die sich auf die klinischen Ergebnisse auswirken können. Eine frühzeitige Erkennung und Intervention bei Patienten mit einem höheren Komplikationsrisiko kann diese Ereignisse verhindern.
Wenn Sie das Risiko eines ungeplanten Krankenhausaufenthalts eines Patienten vorhersehen können, können Sie die Art und Weise ändern, wie Sie ihn bei seiner Krebsbehandlung unterstützen, und die Wahrscheinlichkeit verringern, dass er in der Notaufnahme oder im Krankenhaus landet.“
Julian Hong, MD, leitender Autor der Studie
Julian Hong ist Assistenzprofessor für Radioonkologie und Computational Health Sciences an der University of California, San Francisco (UCSF), wo er auch als medizinischer Direktor für Radiation Oncology Informatics tätig ist.
Das Team von Dr. Hong hat zuvor gezeigt, dass ein maschineller Lernalgorithmus anhand von Gesundheitsdaten wie Krebsanamnese und Behandlungsplan Patienten mit einem höheren Risiko für ED-Besuche während der Krebsbehandlung identifizieren kann und dass eine zusätzliche Überwachung durch ihre Anbieter die Akutversorgungsraten für diese Patienten senkt.
Für die aktuelle Studie arbeiteten er und Isabel Friesner, Hauptautorin und klinische Datenwissenschaftlerin an der UCSF, mit Nitin Ohri, MD, und Kollegen am Montefiore Medical Center in New York zusammen, um maschinelle Lernansätze auf Daten von tragbaren Verbrauchergeräten anzuwenden. Dr. Ohri und sein Team sammelten zuvor Daten von 214 Patienten in drei prospektiven klinischen Studien (NCT02649569, NCT03102229, NCT03115398). In jeder dieser Studien trugen die Teilnehmer Fitness-Tracker, die ihre Aktivität über mehrere Wochen überwachten, während sie eine Radiochemotherapie erhielten. Die Studienteilnehmer hatten verschiedene Arten von Primärtumoren, am häufigsten Kopf-Hals- (30 %) oder Lungenkrebs (29 %).
Schrittzahlen und andere Daten aus den Aufzeichnungen dieser Patienten wurden verwendet, um ein elastisches netzreguliertes logistisches Regressionsmodell zu entwickeln und zu testen, eine Art maschinelles Lernmodell, das eine große Menge komplexer Informationen analysieren kann. Das Ziel ihres Modells war es, die Wahrscheinlichkeit vorherzusagen, dass ein Patient in der nächsten Woche ins Krankenhaus eingeliefert werden würde, basierend auf den Daten der letzten zwei Wochen.
Die Forscher erstellten das Modell zunächst, indem sie untersuchten, wie gut verschiedene Variablen einen Krankenhausaufenthalt vorhersagten, wobei Daten von 70 % der Studienteilnehmer (151 Personen) verwendet wurden. Zu den potenziellen Prädiktoren im Modell gehörten Patientenmerkmale (z. B. Alter, ECOG-Leistungsstatus) sowie Aktivitätsdaten, die vor und während der Behandlung gemessen wurden. Zusätzlich zu den täglichen Schrittzahlen berechneten die Forscher andere Metriken, wie z. B. relative Änderungen der wöchentlichen Durchschnittswerte einer Person oder die Differenz zwischen der minimalen und maximalen Anzahl von Schritten pro Woche.
Das Forschungsteam validierte dann das Modell anhand der verbleibenden 30 % der Patienten (63 Personen). Das Modell, das Schrittzahlen integriert, war stark prädiktiv für einen Krankenhausaufenthalt in der folgenden Woche (AUC = 0,80, 95 % Konfidenzintervall [CI] 0,60–0,90), und es übertraf das Modell ohne Schrittzahlen signifikant (AUC = 0,46, 95 % KI 0,24–0,66, p
„Die Schrittzahlen unmittelbar vor dem Vorhersagefenster waren im Allgemeinen aussagekräftiger als klinische Variablen. Die dynamische Natur der Schrittzahlen, die Tatsache, dass sie sich jeden Tag ändern, scheint sie zu einem besonders guten Indikator für den Gesundheitszustand eines Patienten zu machen “, sagte Dr. Hong.
Zu den wichtigsten Vorhersagevariablen im Modell gehörten die Schrittzahlen von jedem der letzten zwei Tage sowie die relativen Änderungen der maximalen Schrittzahl und des Schrittzahlbereichs in den letzten zwei Wochen.
Die Verwendung dynamischer Daten unterscheidet dieses Modell von Modellen, die auf klinischen Daten wie Leistungsstatus und Tumorhistologie basieren. „Einer der einzigartigen Teile dieses Modells ist, dass es als laufende Vorhersage konzipiert ist“, erklärte Frau Friesner. „Sie können den Algorithmus an jedem beliebigen Tag ausführen und haben eine Woche im Voraus eine Vorstellung vom Risikoniveau eines Patienten, sodass Sie Zeit haben, die zusätzliche Unterstützung zu leisten, die er benötigt.“
Diese zusätzliche Unterstützung ist der Schlüssel zur Reduzierung von Krankenhausaufenthalten, erklärte Dr. Hong, unabhängig davon, ob es sich um die Planung häufigerer Nachsorgeuntersuchungen, eine Änderung des Behandlungsplans des Patienten oder einen anderen personalisierten Ansatz handelt. „Der Kern dessen, was funktioniert, ist, dass dies ein zusätzlicher Kontaktpunkt für einen Arzt ist, um einen Patienten zu sehen. Es gibt dem Patienten die Gewissheit zu wissen, dass wir auf ihn aufpassen.“
„Je mehr Menschen beginnen, Wearables zu nutzen, stellt sich die Frage, ob die von ihnen gesammelten Daten nützlich sein könnten. Unsere Studie zeigt, dass es einen Wert hat, wenn unsere Patienten ihre eigenen Gesundheitsdaten im Alltag sammeln, und dass wir diese Daten nutzen können um dann ihren Gesundheitszustand zu überwachen und vorherzusagen“, fügte Frau Friesner hinzu.
Die nächsten Schritte für die Prüfärzte umfassen eine strengere Validierung des Algorithmus in der von Dr. Ohri geleiteten NRGF-001-Studie (NCT04878952), die Patienten, die sich einer CRT wegen Lungenkrebs unterziehen, randomisiert einer Behandlung mit oder ohne tägliche Überwachung der Schrittzahl zuordnen wird. Ärzte von Patienten im Step-Count-Arm erhalten während des gesamten Behandlungsprozesses Daten aus dem Modell.
Die Forscher planen auch andere Studien, um zusätzliche Metriken zu untersuchen, die von tragbaren Geräten erfasst werden, wie z. B. die Herzfrequenz, und deren Nutzen in der Klinik.
„Wearable Devices und von Patienten generierte Gesundheitsdaten sind noch relativ neue Phänomene, und wir lernen immer noch, wie sie nützlich sein können. Welche anderen Informationen können wir von den vielen Sensoren in unserem Leben erhalten? Wie können diese Metriken einander ergänzen und funktionieren? mit anderen Arten von Daten, wie elektronischen Patientenakten? Unterschiedliche Datenpunkte könnten für unterschiedliche Patienten besser funktionieren“, sagte Frau Friesner.
Nach der weit verbreiteten Einführung von Telemedizin und Fernpflege in den letzten Jahren könnte auch der Bedarf an Fernüberwachung über Patientengeräte zunehmen. Kliniken und politische Entscheidungsträger sollten den Zugang zu diesen Geräten im Hinterkopf behalten, da sie immer beliebter werden, sagte Dr. Hong.
„Eine der Herausforderungen bei der Arbeit mit tragbaren Daten aus der realen Welt sind die wirtschaftlichen und ethnischen Unterschiede, die sich darauf auswirken, wer Geräte besitzt, die diese Art von Daten erfassen können. Ich denke, es ist wichtig, Tools zu entwickeln, die für die Klinik nützlich, aber auch zugänglich sind für ein breiteres Spektrum von Patienten.“
Quelle:
Amerikanische Gesellschaft für Radioonkologie
.
