Rak wątrobowokomórkowy (HCC) pozostaje najczęstszą postacią raka wątroby i jedną z głównych przyczyn zgonów z powodu nowotworów na świecie. Wczesne wykrycie choroby znacząco poprawia rokowanie, jednak wielu pacjentów trafia do diagnostyki dopiero w zaawansowanym stadium. Najnowsze badanie opublikowane w czasopiśmie „Cancer Discovery” pokazuje, że model uczenia maszynowego analizujący rutynowe dane kliniczne może z dużą dokładnością przewidywać ryzyko rozwoju HCC, potencjalnie wspierając decyzje o kwalifikacji pacjentów do badań przesiewowych.
Z tego artykułu dowiesz się…
- Dlaczego model uczenia maszynowego analizujący rutynowe dane kliniczne może pomóc w przewidywaniu ryzyka raka wątrobowokomórkowego (HCC).
- Jakie dane – demografia, elektroniczna dokumentacja medyczna i badania krwi – pozwoliły osiągnąć wysoką skuteczność predykcji.
- Dlaczego 69% przypadków HCC w analizowanej kohorcie wystąpiło u osób bez wcześniejszej diagnozy choroby wątroby.
- W jaki sposób sztuczna inteligencja może wspierać lekarzy podstawowej opieki zdrowotnej w kierowaniu pacjentów na badania przesiewowe.
Rak wątrobowokomórkowy – problem wczesnej identyfikacji pacjentów z grupy ryzyka
Obecne wytyczne dotyczące badań przesiewowych w kierunku raka wątroby koncentrują się przede wszystkim na pacjentach z zaawansowaną chorobą wątroby, zwłaszcza marskością. Jednak – jak podkreślają autorzy badania – taka strategia może pomijać znaczną część osób zagrożonych rozwojem nowotworu.
Badania przesiewowe zaleca się zazwyczaj pacjentom z potwierdzoną marskością wątroby lub ciężką chorobą wątroby, ponieważ u tych pacjentów występuje wiele przypadków raka wątrobowokomórkowego, ale istnieje wiele osób z niezdiagnozowaną marskością wątroby lub innymi czynnikami ryzyka, które również mogłyby odnieść korzyść z badań przesiewowych w kierunku raka wątroby – powiedział Schneider.
W praktyce oznacza to, że część pacjentów rozwija HCC mimo braku wcześniejszej diagnozy choroby wątroby.
Czynniki zwiększające ryzyko raka wątroby
Rak wątrobowokomórkowy jest chorobą o złożonej etiologii. Oprócz marskości wątroby do najważniejszych czynników ryzyka należą:
- płeć męska,
- palenie tytoniu,
- nadużywanie alkoholu,
- przewlekłe choroby wątroby,
- zaburzenia metaboliczne.
Jak wyjaśnia jeden z autorów badania:
Z uwagi na tak wiele czynników wpływających na ryzyko, pilnie potrzebne są skuteczne narzędzia, które pomogą lekarzom identyfikować pacjentów wysokiego ryzyka – powiedział Clusmann. Narzędzia uczenia maszynowego, które mogą jednocześnie pracować z różnymi typami danych klinicznych, mogą być szczególnie przydatne w tym poważnym wyzwaniu klinicznym.
Dane z ponad 500 tysięcy osób – fundament modelu AI
Badanie zostało przeprowadzone przez międzynarodowy zespół naukowców, w tym:
- dr Carolin Schneider z Uniwersytetu RWTH w Akwizgranie,
- prof. Jakoba Kathera z Politechniki Drezdeńskiej,
- dr. Jana Clusmanna, pierwszego autora pracy.
Do opracowania modelu wykorzystano dane z UK Biobank, jednego z największych repozytoriów danych biomedycznych na świecie, obejmującego informacje o ponad 500 000 uczestników w Wielkiej Brytanii. W analizie uwzględniono 538 przypadków raka wątrobowokomórkowego (HCC). Co szczególnie interesujące, 69% przypadków wystąpiło u osób bez wcześniejszej diagnozy marskości wątroby, wirusowego zapalenia wątroby lub innych przewlekłych chorób wątroby. Wynik ten wskazuje, że obecne strategie identyfikacji pacjentów wysokiego ryzyka mogą być niewystarczające.
Jak działa model uczenia maszynowego
Naukowcy opracowali kilka modeli predykcyjnych wykorzystujących różne typy danych klinicznych:
- dane demograficzne pacjentów,
- informacje z elektronicznej dokumentacji medycznej (EHR),
- wyniki badań krwi,
- dane genomowe,
- dane metabolomiczne.
Modele zostały oparte na architekturze lasu losowego (random forest). Jak wyjaśnia Clusmann, metoda ta polega na połączeniu setek drzew decyzyjnych, z których każde analizuje dane pacjenta poprzez serię prostych pytań typu „tak” lub „nie”. Ostateczna prognoza powstaje poprzez agregację wyników wszystkich drzew, co zwiększa stabilność i wiarygodność modelu.
Wysoka skuteczność predykcji bez kosztownej genomiki
Najlepsze wyniki osiągnął model łączący:
- dane demograficzne,
- dane z elektronicznej dokumentacji medycznej,
- wyniki badań krwi.
Model ten osiągnął AUROC na poziomie 0,88, co oznacza bardzo wysoką zdolność rozróżniania pacjentów z HCC od osób zdrowych. Co szczególnie istotne, dodanie danych genomowych i metabolomicznych nie poprawiło znacząco skuteczności modelu.
To pokazało, że możemy przewidywać ryzyko wystąpienia raka wątrobowokomórkowego (HCC) przy użyciu prostych, łatwo dostępnych danych, bez konieczności przeprowadzania skomplikowanego i kosztownego sekwencjonowania genetycznego – powiedział Schneider.
Lepsza skuteczność niż istniejące skale kliniczne
Autorzy porównali skuteczność modelu AI z powszechnie stosowanymi narzędziami oceny ryzyka chorób wątroby, takimi jak:
- FIB-4,
- APRI,
- NFS,
- aMAP.
Skale te są używane głównie do oceny włóknienia wątroby, które stanowi jeden z najważniejszych czynników ryzyka raka wątroby. Model uczenia maszynowego wykazał jednak wyższą skuteczność w identyfikowaniu rzeczywistych przypadków HCC, generując jednocześnie mniej wyników fałszywie dodatnich.
Uproszczony model oparty na 15 zmiennych
Aby zwiększyć użyteczność kliniczną rozwiązania, naukowcy przeprowadzili tzw. eksperyment ablacyjny, redukując liczbę analizowanych zmiennych. W rezultacie powstała uproszczona wersja modelu wykorzystująca zaledwie 15 rutynowo zbieranych cech klinicznych. Mimo znacznego uproszczenia model nadal przewyższał istniejące metody oceny ryzyka raka wątroby.
Nasze badanie podkreśla potencjał prostego, łatwego w użyciu modelu uczenia maszynowego w celu poprawy stratyfikacji ryzyka raka wątrobowokomórkowego (HCC) przy użyciu wyłącznie rutynowo gromadzonych danych klinicznych – powiedział Schneider.
Możliwe zastosowanie w podstawowej opiece zdrowotnej
Zdaniem autorów badania model może być szczególnie przydatny w podstawowej opiece zdrowotnej, gdzie często zapadają decyzje o skierowaniu pacjenta na dalszą diagnostykę.
Jeśli nasz model zostanie zweryfikowany w innych populacjach, umożliwi on lekarzom podstawowej opieki zdrowotnej skuteczną identyfikację pacjentów z grupy ryzyka i skierowanie ich na badania przesiewowe w kierunku raka wątroby. Może to umożliwić wcześniejsze wykrywanie i poprawę rokowania u pacjentów z tą agresywną chorobą.
Co ważne, model wykazał także dobrą zdolność generalizacji. Chociaż trenowany był głównie na danych osób białych z UK Biobank, zachował wysoką skuteczność w bardziej zróżnicowanej etnicznie populacji amerykańskiego programu All of Us, obejmującego ponad 400 000 uczestników.
Ograniczenia badania
Autorzy podkreślają jednak, że badanie ma pewne ograniczenia. Najważniejsze z nich to:
- retrospektywny charakter analizy,
- stosunkowo niski odsetek pacjentów z wirusowym zapaleniem wątroby w analizowanych kohortach,
- konieczność dalszej walidacji modelu w innych populacjach.
Dalsze badania będą potrzebne, aby ocenić skuteczność modelu w różnych systemach ochrony zdrowia oraz w populacjach o odmiennym profilu epidemiologicznym.
Główne wnioski
- Model uczenia maszynowego analizujący dane demograficzne, elektroniczną dokumentację medyczną i wyniki badań krwi osiągnął wysoką skuteczność przewidywania raka wątrobowokomórkowego (AUROC 0,88).
- Aż 69% przypadków HCC w analizie UK Biobank wystąpiło u osób bez wcześniejszej diagnozy choroby wątroby, co wskazuje na potrzebę nowych strategii identyfikacji pacjentów wysokiego ryzyka.
- Uproszczony model oparty na 15 rutynowych cechach klinicznych przewyższył istniejące skale ryzyka, takie jak FIB-4, APRI czy aMAP.
- Technologia może w przyszłości pomóc lekarzom POZ identyfikować pacjentów wymagających badań przesiewowych i umożliwić wcześniejsze wykrywanie raka wątroby.
Źródło:
- https://aacrjournals.org/cancerdiscovery/article/doi/10.1158/2159-8290.CD-25-1323/775574/Machine-learning-predicts-hepatocellular-carcinoma
- American Association for Cancer Research
