Fortgeschrittene Form der KI öffnet die Tür zur personalisierten Krebsbehandlung

Was wäre, wenn ein Computer die medizinischen Notizen eines Patienten lesen und Ärzten helfen könnte, wichtige Informationen für seine Behandlung zu bestimmen?

Im Musc Hollings Cancer Center verwenden Forscher unter der Leitung von Dschihad Obeid, MD, und Mario Fugal, Ph.D. Ihr Hochschulmodell könnte die Art und Weise verändern, wie Ärzte metastatische Tumoren klassifizieren und behandeln und schnellere Antworten und mehr personalisierte Versorgung bieten, ohne die Arbeitsbelastung der Ärzte hinzuzufügen.

In der neuen Studie, die in JCO Clinical Cancer Informatics veröffentlicht wurde, verwendeten die Forscher eine Form der KI, die als natürliche Sprachverarbeitung (NLP) als frustrierendes Problem bezeichnet wird: Wie man die Diagnose des Patienten zwischen Ärzten aus verschiedenen Spezialitäten effizient kommunizieren, wenn der Patient für Strahlung für Hirntumoren geplant ist.

Verfolgung der Ursprünge von Krebs

Die meisten Krebserkrankungen im Gehirn, die als Gehirnmetastasen bekannt sind, begannen dort nicht. Vielmehr begannen diese Krebserkrankungen an anderer Stelle im Körper wie Lungen-, Brust-, Haut-, Nieren- oder Verdauungstrakt und reisten dann zum Gehirn.

Zu wissen, woher Gehirnmetastasen stammen, ist ein kritisches Stück im klinischen Puzzle. Dies gilt insbesondere für Patienten, die eine spezielle Behandlung erhalten, die als stereotaktische Radiochirurgie (SRS) bezeichnet wird und in einer einzigen Sitzung eine hohe Dosis gezielter Strahlung liefert. SRS ist zwar hochwirksam, ist mit Risiken. Dazu gehören Nebenwirkungen von zu viel Strahlung und mögliche Schäden an gesunden, nicht krebsartigen Geweben in der Nähe.

Diese Risiken können jedoch reduziert oder sogar vermieden werden, wenn die Behandlungen der Patienten auf ihre ursprünglichen Krebstypen zugeschnitten sind, da verschiedene Krebsarten unterschiedlich auf Strahlung reagieren. Zum Beispiel sind Lungenkrebs sehr empfindlich gegenüber Strahlung und können mit niedrigeren Dosen behandelt werden. Im Gegensatz dazu neigt der Nierenkrebs der Strahlung und erfordert eine längere Behandlung.

Das Gehirn ist ein so empfindliches Organ, dass wir mit der Strahlungsdosis so präzise wie möglich sein wollen. Aber zuerst müssen wir wissen, was genau wir behandeln, und dann einen spezifischen Behandlungsplan auf der Grundlage dieser Informationen entwickeln. „

Mario Fugal, Ph.D., Forscher, Musc Hollings Cancer Center

Klinische Notizen enthalten eine Fülle von Informationen über die Diagnose und Behandlung eines Patienten. Das Eintauchen in einzelne Patientennotizen, um die relevanten Details herauszuholen, ist ein arbeitsintensiver und zeitaufwändiger Prozess.

„Medizinische Aufzeichnungen wurden nie für die Forschung ausgelegt. Sie sind oft unordentlich und unvollkommen“, erklärte Obeid. „Aber wenn wir sie verstehen können, können wir sie in etwas verwandeln, das Ärzten und Patienten hilft, indem wir die Forschungsbemühungen verbessern und eine genauere Versorgung ermöglichen.“

Hier kann NLP – ein Zweig von KI, der Computer ausbildet, um die menschliche Sprache zu verstehen – helfen. Mit NLP können Computer im Wesentlichen verstehen, was wir schreiben oder sagen, wobei die Lücke zwischen menschlicher Kommunikation und Computerdaten überbrückt.

Eine gemeinsame Sprache finden

Einige Menschen sind möglicherweise überrascht von der Notwendigkeit eines besseren Weges, Krebsdiagnosen zu identifizieren. Medizinische Fachkräfte haben bereits eine gemeinsame diagnostische Sprache, um Krankheiten aufzuzeichnen und zu verfolgen, die als ICD -Codes (International Classification of Diseases) bezeichnet werden.

Leider verpassen in komplexen Fällen wie Hirnmetastasen diese Codes oft die Marke. Dies liegt daran, dass ICD -Codes möglicherweise nicht die zugrunde liegende Quelle des Tumors angehen, insbesondere bei Patienten mit mehr als einer Krebsart oder wenn sich der Krebs frühzeitig ausbreitet. In den Codes fehlt auch die Spezifität, Krebs -Subtypen auszubrechen.

„Die klinische Anmerkung ist der Wahrheit, was Sie tun können, die Wahrheit, wie Sie es bekommen können“, sagte Fugal, „weil es Nuancen hat, dass ICD -Codes fehlen. Ein Code wird nur“ Lungenkrebs „sagen. Es geht nicht darum, ob es sich um die linke versus rechte Lunge handelt, der obere und den unteren Teil der Lunge oder der kleinen Zelle und nicht-kleiner Zelle.

Lesen zwischen den Zeilen

In dieser Studie entwickelten die Forscher ein NLP -Modell, das „“ Notizen der Ärzte „lesen und Schlüsselwörter und -phrasen identifizieren konnte, die den primären Krebstyp anzeigen – zum Beispiel Wörter wie“ Ductal „für Brustkrebs und“ Melanom „bei Hautkrebs. Durch die Entwicklung eines NLP, das diese Daten aus klinischen Notizen automatisch extrahierte, hofften die Forscher, Patienten für die Behandlung und Forschung einfacher zu machen.

„Mit besseren Daten können wir bessere Studien entwerfen, schnellere Entdeckungen machen und für jeden Patienten Behandlungen genauer anpassen“, betonte Fugal.

Die Forscher testeten das NLP -Modell zu den in elektronischen Gesundheitsakten gefundenen Ärztenmodells, insbesondere Strahlungs Onkologie -Notizen mit detaillierten Beschreibungen der Krebstypen und -geschichte. Sie wollten sehen, ob das Modell die ursprünglichen Krebsdiagnosen genauer identifizieren könnte als die medizinischen Standardcodes.

Die Forscher testeten das Modell in 82.000 klinischen Notizen aus den Krankenakten von mehr als 1.400 Patienten, die mit SRS für Hirnmetastasen behandelt wurden. Das Modell wurde entwickelt, um die Notizen zu lesen, nach Mustern im Text zu suchen und diese Daten zu verwenden, um den primären Krebstyp für jeden Patienten zu bestimmen. Expertenprüfer untersuchten die Notizen manuell zur Bestätigung.

Bessere Daten, bessere Pflege

Das NLP -Modell war auffallend genau. Während ICD -Codes häufig falsch oder unklar waren, identifizierte das Modell in mehr als 90% der Fälle den primären Krebs korrekt. Bei häufigen Krebsarten wie Lungen-, Brust- und Hautkrebs war die Klassifizierung bei 97%nahezu perfekt. Das Programm könnte sogar Lungenkrebs -Subtypen identifizieren, die ICD -Codes nicht tun konnten. Diese Ergebnisse validieren NLP als leistungsstarkes Instrument zur klinischen Datenextraktion, in der er traditionelle medizinische Codes bei der Bestimmung der ursprünglichen Krebsdiagnose eines Patienten übertreffen kann.

„Dieser Ansatz schließt eine entscheidende Lücke“, sagte Fugal. „Unser KI -Tool hat die Diagnosen aus den Notizen der Ärzte schnell, genau und ohne zusätzliche Arbeit für Pflegeteams gezogen.“

Wichtig ist, dass das Modell einfach und effizient ist. Es erfordert keine großen Datensätze, robuste Schulungsbeispiele oder intensive Rechenleistung und vermeidet viele der ethischen Bedenken, die mit größeren generativen KI -Modellen verbunden sind.

„Die wahre Kraft hier ist, dass dieser Ansatz leicht und skalierbar ist“, sagte Obeid. „Andere Krankenhäuser könnten dieses Tool problemlos verwenden, auch mit begrenzten Ressourcen.“

Das Forschungsteam beschreibt diese Arbeit als einen wichtigen Schritt in Richtung datengesteuerter, personalisierter Versorgung von Krebspatienten. Eine erhöhte Effizienz und Genauigkeit bei der Krebsklassifizierung könnte letztendlich eine schnellere Forschung, eine bessere Behandlung und weniger Vermutungen für Ärzte bedeuten.

Das Team arbeitet nun an einer Studie mit einem ähnlichen NLP -Ansatz, um Patienten mit einem Risiko für Strahlennekrose zu identifizieren – Schwellungen im Gehirn, das selten, aber schwerwiegende Nebenwirkung von zu viel Strahlung ist. Diese Anstrengung könnte dazu beitragen, früher Komplikationen zu erfassen oder sie insgesamt zu vermeiden. Zukünftige Forscher könnten das NLP -Modell auch mit anderen Gesundheitssystemen und anderen Krebstypen verwenden oder Gesundheitsdaten hinzufügen, z. B. Bildgebungs -Scans oder Labortests.

Für OBEID spiegelt diese Arbeit einen größeren Trend in der Gesundheitsversorgung wider: Die Verwendung elektronischer Gesundheitsakten nicht nur zur Dokumentation, sondern als eine umfangreiche Datenquelle, die die Versorgung in Echtzeit verbessern kann.

„Die Automatisierung der Datenextraktion aus unstrukturierten Notizen, die sich bereits in den Gesundheitsakten befinden, erzeugt genaue, aktuelle Datensätze“, sagte er. „Dieser Ansatz spart Zeit und öffnet die Tür zu sinnvolleren Forschungen zu Ergebnissen nach Radiochirurgie und anderen Behandlungen.“

Wenn die Krebsbehandlung komplexer wird, gewinnen datengesteuerte Tools wie diese Bedeutung. Indem die Forscher Computer lehren, medizinische Anmerkungen zu lesen, die Ärzte schreiben, tragen die Forscher dazu bei, die Lücke zwischen Rohdaten und realem Verständnis zu schließen.

Quellen: