W miarę jak leczenie nowotworów staje się coraz bardziej złożone, rośnie potrzeba stosowania rozwiązań, które umożliwią lepsze wykorzystanie dostępnych danych medycznych. Zespół naukowców z MUSC Hollings Cancer Center, kierowany przez dr. Jihada Obeida i dr. Mario Fugala, wykorzystuje zaawansowaną sztuczną inteligencję (AI), aby rozwiązać jeden z kluczowych problemów współczesnej onkologii: jak szybciej, precyzyjniej i skuteczniej dostosować leczenie do konkretnego pacjenta. Dzięki wykorzystaniu technologii przetwarzania języka naturalnego (NLP), AI potrafi analizować notatki kliniczne, identyfikować pierwotne źródło nowotworu i wspierać lekarzy w planowaniu spersonalizowanej terapii, szczególnie w przypadku pacjentów z przerzutami do mózgu.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja wspiera lekarzy w identyfikowaniu pierwotnego typu nowotworu na podstawie notatek klinicznych.
- Dlaczego tradycyjne kody ICD nie wystarczają w precyzyjnej diagnostyce przerzutów do mózgu.
- Na czym polega działanie modelu NLP z MUSC i jakie osiągnął wyniki w testach klinicznych.
- W jaki sposób AI może przyczynić się do personalizacji terapii onkologicznej i poprawy bezpieczeństwa pacjentów.
NLP jako narzędzie wspierające leczenie nowotworów przerzutowych
Większość nowotworów mózgu to nie pierwotne guzy, lecz przerzuty z innych narządów, takich jak płuca, piersi, skóra, nerki czy przewód pokarmowy. Skuteczne leczenie, zwłaszcza tak precyzyjne jak radiochirurgia stereotaktyczna (SRS), wymaga znajomości pierwotnego typu raka. Dla przykładu, rak płuca dobrze reaguje na niskie dawki promieniowania, podczas gdy rak nerki wymaga znacznie intensywniejszej terapii.
Mózg jest tak wrażliwym narządem, że chcemy być jak najbardziej precyzyjni w doborze dawki promieniowania. Najpierw jednak musimy wiedzieć, co dokładnie leczymy, a następnie opracować szczegółowy plan leczenia w oparciu o te informacje – wyjaśnia dr Mario Fugal.
Problemy z danymi: od kodów ICD do notatek klinicznych
Chociaż lekarze posługują się standardowymi kodami ICD do klasyfikacji chorób, nie są one wystarczająco szczegółowe, aby opisać złożoność przerzutów nowotworowych. Brakuje w nich informacji o lokalizacji, podtypach czy charakterystyce histologicznej nowotworu.
Notatka kliniczna jest najbliższa prawdy, jaką można uzyskać – mówi dr Fugal – ponieważ zawiera niuanse, których brakuje kodom ICD. Kod będzie zawierał tylko informację »rak płuc«. Nie będzie w nim informacji o tym, czy chodzi o lewe, czy prawe płuco, górną, czy dolną część płuca, ani o rak drobnokomórkowy, czy niedrobnokomórkowy. Ale notatki zawierają te szczegóły.
Problem polega jednak na tym, że analiza dokumentacji medycznej jest czasochłonna i obciążająca personel medyczny. Rozwiązaniem okazuje się NLP – technologia, która pozwala komputerom analizować język pisany i mówiony w sposób zbliżony do ludzkiego.
Jak działa model sztucznej inteligencji?
Naukowcy stworzyli model NLP, który analizuje elektroniczne notatki kliniczne – w tym szczegółowe opisy radioterapii onkologicznej – i identyfikuje w nich słowa kluczowe charakterystyczne dla konkretnego typu raka. Przykładowo, słowo „czerniak” wskazuje na raka skóry, a „przewodowy” – na raka piersi.
Model przetestowano na bazie 82 000 notatek klinicznych dotyczących ponad 1400 pacjentów z przerzutami do mózgu, leczonych metodą SRS. Weryfikacja wyników odbywała się ręcznie przez ekspertów klinicznych. Efekt? Model poprawnie zidentyfikował pierwotny nowotwór w ponad 90% przypadków, a w najczęstszych typach, takich jak rak płuca czy piersi – nawet w 97%.
To podejście wypełnia istotną lukę – podkreśla dr Fugal. Nasze narzędzie AI szybko, dokładnie i bez dodatkowej pracy zespołom opiekuńczym wyciągało diagnozy z notatek lekarzy.
Skalowalność i prostota rozwiązania
Model opracowany przez zespół nie wymaga dużych zbiorów treningowych, zaawansowanej infrastruktury ani kosztownych mocy obliczeniowych. Dzięki temu może być łatwo wdrożony w innych placówkach medycznych – nawet tych dysponujących ograniczonymi zasobami.
Prawdziwą siłą tego podejścia jest jego lekkość i skalowalność – zaznacza dr Obeid. „Inne szpitale mogłyby z łatwością korzystać z tego narzędzia, nawet przy ograniczonych zasobach.
NLP a przyszłość spersonalizowanej onkologii
Zespół badawczy już planuje kolejne etapy rozwoju modelu – m.in. zastosowanie go do identyfikacji pacjentów zagrożonych martwicą popromienną, czyli poważnym powikłaniem po radiochirurgii. Długofalowo, model może zostać rozbudowany o inne źródła danych – np. wyniki badań obrazowych czy laboratoryjnych – oraz wykorzystany w terapii różnych typów nowotworów.
Automatyzacja ekstrakcji danych z nieustrukturyzowanych notatek, które już znajdują się w dokumentacji medycznej, pozwala na tworzenie dokładnych i aktualnych zestawów danych – podsumowuje dr Obeid. To podejście oszczędza czas i otwiera drogę do bardziej wartościowych badań nad wynikami po radiochirurgii i innych metodach leczenia.
Wdrożenie sztucznej inteligencji w analizę dokumentacji medycznej może diametralnie zmienić jakość i tempo diagnozowania nowotworów przerzutowych. Dzięki wykorzystaniu NLP, możliwe jest nie tylko skuteczniejsze klasyfikowanie typów raka, ale też lepsze dopasowanie terapii do konkretnego pacjenta. To krok milowy w kierunku spersonalizowanej opieki onkologicznej – opartej nie na intuicji, lecz na danych.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Model sztucznej inteligencji opracowany przez zespół MUSC potrafi analizować dokumentację medyczną i identyfikować pierwotny typ nowotworu z ponad 90% skutecznością.
- Narzędzie wykorzystuje technologię przetwarzania języka naturalnego (NLP), by wyłapywać kluczowe informacje z nieustrukturyzowanych notatek klinicznych.
- W testach na 82 000 notatek model osiągnął 97% trafności w przypadku najczęstszych typów raka, takich jak rak płuc, piersi i skóry.
- Rozwiązanie jest lekkie, skalowalne i możliwe do wdrożenia w wielu placówkach, co czyni je realnym krokiem w kierunku spersonalizowanej opieki onkologicznej.
Źródło:
- Medical University of South Carolina
- JCO Clinical Cancer Informatics
