Pacjenci z wrzodziejącym zapaleniem jelita grubego (WZJG) należą do grupy istotnie podwyższonego ryzyka rozwoju raka jelita grubego – nawet czterokrotnie wyższego niż populacja ogólna. Szczególne wyzwanie kliniczne stanowi dysplazja małego stopnia (LGD), która może, lecz nie musi, prowadzić do transformacji nowotworowej. Nowe badanie opublikowane w czasopiśmie Clinical Gastroenterology and Hepatology pokazuje, że sztuczna inteligencja (AI) potrafi analizować notatki kliniczne i z dużą precyzją przewidywać ryzyko rozwoju raka u pacjentów z UC-LGD. Otwiera to drogę do bardziej spersonalizowanego nadzoru i leczenia.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja analizuje notatki kliniczne, aby prognozować ryzyko raka jelita grubego u pacjentów z WZJG i dysplazją małego stopnia.
- Jakie cztery kluczowe czynniki ryzyka zostały wykorzystane do stworzenia modelu predykcyjnego i w jaki sposób pogrupowano pacjentów do pięciu kategorii ryzyka.
- Jaką skuteczność osiągnął model oparty na danych 55 000 pacjentów z systemu VA w USA oraz jakie były wyniki w grupie najniższego ryzyka.
- W jaki sposób narzędzie AI może zmienić praktykę kliniczną, wspierając decyzje dotyczące nadzoru endoskopowego lub profilaktycznej operacji.
WZJG i dysplazja małego stopnia – trudne decyzje kliniczne
Wrzodziejące zapalenie jelita grubego (WZJG, colitis ulcerosa) jest przewlekłą chorobą zapalną jelit, która wiąże się z długoterminowym stanem zapalnym błony śluzowej okrężnicy. W tej grupie pacjentów rozwój dysplazji małego stopnia (low-grade dysplasia, LGD) jest sygnałem ostrzegawczym, ale nie przesądza o nieuchronnym rozwoju raka.
Problem polega na tym, że tylko część pacjentów z UC-LGD rozwinie raka jelita grubego. W praktyce klinicznej oznacza to dylemat: czy kontynuować ścisły nadzór endoskopowy, czy rozważyć profilaktyczną kolektomię. Brak precyzyjnych narzędzi prognostycznych utrudnia podejmowanie decyzji zarówno lekarzom, jak i pacjentom.
AI analizuje 55 000 dokumentacji medycznych
Zespół naukowców z Uniwersytetu Kalifornijskiego w San Diego opracował w pełni zautomatyzowany obieg pracy oparty na sztucznej inteligencji, który umożliwia przeszukiwanie dokumentacji medycznej 55 000 pacjentów w systemie opieki zdrowotnej Departamentu Spraw Weteranów (VA) w USA. Był to największy tego typu zbiór danych w kraju. System analizował m.in.:
- raporty z kolonoskopii,
- opisy badań patomorfologicznych,
- notatki kliniczne lekarzy.
Co istotne, zastosowano duże modele językowe (LLM), które potrafiły wydobywać kluczowe czynniki ryzyka bezpośrednio z opisowych notatek medycznych. Dr Kit Curtius, adiunkt medycyny w Zakładzie Informatyki Biomedycznej Uniwersytetu Kalifornijskiego w San Diego, podkreślił:
Duże modele językowe precyzyjnie wyprowadziły czynniki ryzyka raka jelita grubego związanego z zapaleniem okrężnicy – takie jak rozmiar zmiany dysplazji niskiego stopnia, obecność wielu zmian i stopień ekstremalnego zapalenia jelita grubego – na podstawie samych opisowych notatek klinicznych.
Pięć kategorii ryzyka i wysoka trafność predykcji
Połączenie przepływu pracy AI z modelami biostatystycznymi pozwoliło na przypisanie pacjentów do pięciu kategorii ryzyka na podstawie czterech kluczowych czynników:
- rozmiaru dysplazji,
- stopnia ubytku i widoczności resekcji,
- liczby ognisk dysplastycznych,
- nasilenia stanu zapalnego.
Model wykazał wysoką zgodność z rzeczywistymi wynikami klinicznymi przez ponad dekadę od rozpoznania.
Szczególnie istotne jest to, że niemal połowa pacjentów została prawidłowo zaklasyfikowana do grupy najniższego ryzyka, a prawie 99% z nich nie rozwinęło raka w ciągu dwóch lat. Oznacza to realną możliwość uniknięcia nadmiernie agresywnego leczenia u znacznej części chorych.
Korzyści kliniczne: od subiektywnej oceny do liczbowego wyniku ryzyka
Obecnie ocena ryzyka u pacjentów z UC-LGD w dużej mierze opiera się na doświadczeniu klinicznym i jakościowym szacowaniu czynników ryzyka. Nowe narzędzie może zmienić ten paradygmat. Jak zaznaczył Curtius:
Obecnie proces doradzania pacjentom w kwestii poziomu ryzyka jest kwestią dość subiektywną, a lekarze nie dysponują wystarczającą ilością danych, aby uzasadnić swoje odczucia.
Dodał również:
Ten system sztucznej inteligencji mógłby odczytywać notatki kliniczne i podawać wynik ryzyka, zamiast dysponować jedynie listą czynników ryzyka, bez możliwości przeliczenia jej na liczbę podczas wizyty pacjenta.
W praktyce oznacza to:
- bardziej obiektywną komunikację z pacjentem,
- lepsze planowanie terminu kolejnej kolonoskopii,
- wcześniejsze identyfikowanie osób wymagających interwencji chirurgicznej,
- ograniczenie opóźnień w monitorowaniu, które są jedną z głównych przyczyn rozwoju raka jelita grubego w tej grupie.
Integracja AI z rutynową praktyką kliniczną
Autorzy badania podkreślają, że opracowany system może zostać naturalnie zintegrowany z istniejącą infrastrukturą kliniczną. Co istotne, nie wymaga dodatkowych badań – analizuje już dostępne dane zawarte w dokumentacji medycznej. Kolejne etapy obejmują:
- walidację modelu w populacjach spoza systemu VA,
- uwzględnienie nowych czynników ryzyka,
- integrację danych genomowych pacjentów.
Jak zaznaczył Curtius: „Wiemy, że genomika odgrywa dużą rolę w rozwoju raka”. Połączenie danych klinicznych, patologicznych i genetycznych może w przyszłości umożliwić jeszcze bardziej precyzyjną stratyfikację ryzyka.
Znaczenie dla medycyny precyzyjnej
Badanie wpisuje się w szerszy trend wykorzystania sztucznej inteligencji do analizy nieustrukturyzowanych danych medycznych i stanowi kolejny przykład rosnącego znaczenia, jakie ma zastosowanie AI w medycynie. Notatki kliniczne, które dotychczas były trudne do systematycznego przetwarzania i porównywania na dużą skalę, stają się dzięki dużym modelom językowym źródłem cennych informacji prognostycznych.
W kontekście rosnącej liczby pacjentów z chorobami zapalnymi jelit oraz przewlekłego charakteru WZJG możliwość wczesnego, zautomatyzowanego i dokładnego określenia ryzyka nowotworowego ma kluczowe znaczenie dla systemów ochrony zdrowia. Precyzyjna stratyfikacja ryzyka pozwala bowiem lepiej planować nadzór endoskopowy, optymalizować zasoby oraz ograniczać zarówno nadmierne interwencje chirurgiczne, jak i opóźnienia w diagnostyce raka jelita grubego.
Główne wnioski
- Model AI przeanalizował dokumentację 55 000 pacjentów z systemu VA w USA, tworząc największy w kraju zbiór danych dotyczący UC-LGD i ryzyka raka jelita grubego.
- Pacjentów prawidłowo przypisano do pięciu kategorii ryzyka na podstawie czterech czynników: rozmiaru dysplazji, widoczności resekcji, liczby ognisk oraz nasilenia zapalenia.
- Prawie 50% chorych zaklasyfikowano do najniższej grupy ryzyka, a niemal 99% z nich nie rozwinęło raka w ciągu dwóch lat obserwacji.
- System może przekształcić subiektywną ocenę kliniczną w liczbowy wynik ryzyka, wspierając decyzje o dalszym nadzorze, terminie kolonoskopii lub leczeniu chirurgicznym.
Źródło:
- https://www.cghjournal.org/article/S1542-3565(26)00066-2/pdf
- University of California – San Diego
