Модель искусственного интеллекта (ИИ), разработанная исследователями, может предсказать вероятность незапланированной госпитализации пациента во время лучевой терапии рака. Модель машинного обучения использует ежедневный подсчет шагов в качестве прокси для мониторинга состояния здоровья пациентов во время лечения рака, предлагая врачам метод оказания индивидуальной помощи в режиме реального времени. Результаты будут представлены сегодня на ежегодном собрании Американского общества радиационной онкологии (ASTRO).

По оценкам, 10–20% пациентов, получающих лучевую или химиолучевую терапию в амбулаторных условиях, нуждаются в неотложной помощи в виде посещения отделения неотложной помощи (ED) или госпитализации во время лечения рака. Эти незапланированные госпитализации могут быть серьезной проблемой для людей, проходящих лечение от рака, вызывая перерывы в лечении и стресс, которые могут повлиять на клинические результаты. Раннее выявление и вмешательство у пациентов с повышенным риском осложнений может предотвратить эти события.

Если вы можете предвидеть риск незапланированной госпитализации пациента, вы можете изменить то, как вы поддерживаете его во время лечения рака, и уменьшить вероятность того, что он попадет в отделение неотложной помощи или больницу».

Джулиан Хонг, доктор медицинских наук, старший автор исследования

Джулиан Хонг — доцент кафедры радиационной онкологии и компьютерных медицинских наук Калифорнийского университета в Сан-Франциско (UCSF), где он также является медицинским директором отдела информатики радиационной онкологии.

Команда доктора Хонга ранее продемонстрировала, что алгоритм машинного обучения, использующий данные о состоянии здоровья, такие как история рака и план лечения, может выявлять пациентов с повышенным риском обращения в отделение неотложной помощи во время лечения рака, и что дополнительное наблюдение со стороны их поставщиков снижает частоту неотложной помощи для этих пациентов.

Для текущего исследования он и Изабель Фриснер, ведущий автор и специалист по клиническим данным в UCSF, сотрудничали с Нитин Ори, доктором медицины, и коллегами из Медицинского центра Монтефиоре в Нью-Йорке, чтобы применить подходы машинного обучения к данным с носимых потребительских устройств. Доктор Ори и его команда ранее собрали данные о 214 пациентах в трех проспективных клинических испытаниях (NCT02649569, NCT03102229, NCT03115398). В каждом из этих испытаний участники носили фитнес-трекеры, которые отслеживали их активность в течение нескольких недель, пока они получали химиолучевую терапию. У участников исследования были различные типы первичного рака, чаще всего рак головы и шеи (30%) или рак легких (29%).

Подсчет шагов и другие данные из историй болезни этих пациентов использовались для разработки и тестирования модели логистической регрессии с эластичной сетью, тип модели машинного обучения, которая может анализировать большой объем сложной информации. Цель их модели состояла в том, чтобы предсказать вероятность того, что пациент будет госпитализирован на следующей неделе, на основе данных за предыдущие две недели.

Сначала исследователи создали модель, изучив, насколько хорошо различные переменные предсказывают госпитализацию, используя данные 70% участников исследования (151 человек). Потенциальные предикторы в модели включали характеристики пациента (например, возраст, состояние работоспособности по шкале ECOG), а также данные об активности, измеренные до и во время лечения. В дополнение к общему количеству шагов за день исследователи рассчитали другие показатели, такие как относительные изменения средних показателей человека за неделю или разницу в минимальном и максимальном количестве шагов каждую неделю.

Затем исследовательская группа проверила модель, используя оставшиеся 30% пациентов (63 человека). Модель, которая включала подсчет шагов, позволяла прогнозировать госпитализацию на следующей неделе (AUC = 0,80, 95% доверительный интервал [ДИ] 0,60–0,90) и значительно превосходила модель без подсчета шагов (AUC = 0,46, 95% ДИ 0,24–0,24). 0,66, р<0,001).

Y.S. Eco Bee Farms, Маточное молочко, пчелиная пыльца, прополис и корейский женьшень, 90 капсул

«Подсчет шагов, непосредственно предшествовавший окну прогнозирования, в целом оказался более предсказательным, чем клинические переменные. Динамический характер подсчета шагов, тот факт, что они меняются каждый день, кажется, делает их особенно хорошим индикатором состояния здоровья пациента. , — сказал доктор Хонг.

Основные прогностические переменные в модели включали количество шагов за каждый из последних двух дней, а также относительные изменения максимального количества шагов и диапазона количества шагов за последние две недели.

Использование динамических данных отличает эту модель от моделей, основанных на клинических данных, таких как состояние здоровья и гистология опухоли. «Одна из уникальных частей этой модели заключается в том, что она предназначена для непрерывного прогнозирования», — пояснила г-жа Фриснер. «Вы можете запустить алгоритм в любой день и получить представление об уровне риска для пациента через неделю, что даст вам время для оказания дополнительной поддержки, в которой он нуждается».

По словам доктора Хонг, эта дополнительная поддержка является ключом к сокращению числа госпитализаций, будь то планирование более частых последующих осмотров, изменение чего-либо в плане лечения пациента или другой индивидуальный подход. «Суть того, что работает, заключается в том, что это дополнительная точка соприкосновения врача с пациентом. Это дает пациенту уверенность в том, что мы присматриваем за ним».

«Поскольку все больше людей начинают использовать носимые устройства, возникает вопрос о том, могут ли данные, которые они собирают, быть полезными. Наше исследование показывает, что наши пациенты могут собирать данные о своем здоровье в повседневной жизни, и что мы можем использовать эти данные. чтобы затем отслеживать и прогнозировать состояние их здоровья», — добавила г-жа Фриснер.

Следующие шаги для исследователей включают более строгую проверку алгоритма в исследовании NRGF-001 (NCT04878952) под руководством доктора Охри, которое рандомизирует пациентов, проходящих СРТ по поводу рака легких, для лечения с ежедневным мониторингом количества шагов или без него. Врачи пациентов с подсчетом шагов будут получать данные от модели на протяжении всего процесса лечения.

Исследователи также планируют другие исследования для изучения дополнительных показателей, собираемых носимыми устройствами, таких как частота сердечных сокращений, и их полезности в клинике.

«Носимые устройства и данные о здоровье, генерируемые пациентами, — все еще относительно новые явления, и мы все еще изучаем, как они могут быть полезны. Какую еще информацию мы можем получить от множества датчиков в нашей жизни? Как эти показатели могут дополнять друг друга и работать с другими типами данных, такими как данные электронной медицинской карты? Разные точки данных могут работать лучше для разных пациентов», — сказала г-жа Фриснер.

После широкого распространения телемедицины и удаленного ухода за последние несколько лет потребность в удаленном мониторинге с помощью устройств пациентов также может возрасти. По словам доктора Хонг, клиники и политики должны помнить о доступе к этим устройствам по мере роста их популярности.

«Одной из проблем при работе с реальными носимыми данными являются экономические и расовые различия, которые влияют на то, кто владеет устройствами, которые могут собирать этот тип данных. Я думаю, что важно разрабатывать инструменты, которые будут полезны для клиники, но в то же время будут доступны. для более широкого круга пациентов».