Badacze z Moffitt Cancer Center opracowali model uczenia maszynowego, który potrafi przewidzieć, którzy pacjenci z niedrobnokomórkowym rakiem płuca są najbardziej narażeni na konieczność nagłej interwencji medycznej w trakcie terapii. W projekcie połączono dane kliniczne, ankiety dotyczące jakości życia oraz informacje z urządzeń noszonych na ciele, takich jak Fitbit.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja wspiera lekarzy w przewidywaniu powikłań terapii onkologicznych.
- W jaki sposób dane z urządzeń i ankiet pacjentów poprawiają dokładność prognoz.
- Dlaczego wyjaśnialne algorytmy budują większe zaufanie w praktyce klinicznej.
- Jakie są plany dalszego rozwoju i walidacji tego podejścia.
Nowe podejście do danych pacjentów
Pacjenci poddawani terapii systemowej często zmagają się z toksycznością leczenia, prowadzącą do nieplanowanych wizyt w trybie pilnym. Zespół badaczy sprawdził, czy wzbogacenie standardowych danych klinicznych o informacje zgłaszane samodzielnie przez pacjentów i sygnały z sensorów może poprawić skuteczność prognoz.
– Naszym celem jest zapewnienie klinicystom narzędzi do wcześniejszej interwencji, poprawy jakości życia pacjentów i potencjalnego zapobiegania hospitalizacjom – powiedział dr Brian D. Gonzalez, główny autor i badacz z Moffitt’s Department of Health Outcomes and Behavior.
Urządzenia do noszenia i AI w onkologii
W badaniu uczestniczyło 58 pacjentów monitorowanych za pomocą opasek Fitbit i kwestionariuszy dotyczących samopoczucia. Modele oparte na tzw. sieciach bayesowskich lepiej odróżniały pacjentów wysokiego i niskiego ryzyka niż tradycyjne analizy. Kluczowe znaczenie miało połączenie wyników badań, zgłaszanych objawów, jakości snu oraz parametrów takich jak tętno.
Badacze podkreślają, że zastosowanie transparentnych algorytmów pozwala lekarzom nie tylko otrzymywać trafniejsze przewidywania, ale też rozumieć, które czynniki wpływają na ryzyko powikłań. Dzięki temu modele mogą być lepiej akceptowane w praktyce klinicznej.
– To podejście jest tak skuteczne nie tylko ze względu na dokładność prognoz, ale także na możliwość zrozumienia, dlaczego model je osiąga – podkreślał dr Yi Luo, współautor badania i badacz z Moffitt’s Department of Health Outcomes and Behavior.
Autorzy wskazują, że konieczna jest walidacja w większych, wieloośrodkowych badaniach. W przyszłości do analiz mają być dołączone także dane molekularne. Projekt uzyskał wsparcie National Institutes of Health (P30 CA076292).
Link do badania: https://ascopubs.org/doi/10.1200/CCI-24-00315
Główne wnioski
- 58 pacjentów z niedrobnokomórkowym rakiem płuca było monitorowanych za pomocą opasek Fitbit i ankiet jakości życia.
- Modele oparte na siecach bayesowskich przewidywały ryzyko nagłych wizyt lepiej niż tradycyjne analizy kliniczne.
- Połączenie danych klinicznych, zgłaszanych objawów i sygnałów z urządzeń przenośnych pozwoliło dokładniej identyfikować pacjentów wysokiego ryzyka.
- Badacze zapowiadają walidację w większych, wieloośrodkowych badaniach oraz rozszerzenie modeli o dane molekularne.
Źródło:
- moffitt.org
