Новый подход с использованием машинного обучения позволяет спрогнозировать два наиболее сложных побочных эффекта, связанных с лучевой терапией при раке головы и шеи: значительную потерю веса и необходимость размещения трубки для питания.
«К нам может обратиться пациент с раком головы и шеи, который планирует пройти курс облучения, - говорит автор Джей Редди, доктор медицинских наук, доцент кафедры радиационной онкологии Университета им. Андерсона в Хьюстоне. - Данные пациента включают в модель машинного обучения, что позволяет сделать индивидуальный прогноз. Затем мы можем использовать полученную информацию для принятия решений по лечению».
Санджай Анеджа, доктор медицинских наук, доцент кафедры терапевтической радиологии в Йельской школе медицины, подчеркнул, что исследование важно, поскольку в нем используются все источники, которые должны улучшить результаты у пациентов. «Такие компании, как Google и Amazon, с каждым кликом больше узнают о своих клиентах, и пришло время, когда врачи смогут используют эту информацию», - говорит он.
Ученые нашли способ использовать машинное обучение для улучшения качества медицинской помощи. Исследование уникально тем, что машинное обучение может спрогнозировать неблагоприятные события до их возникновения. «Модель, которая была сгенерирована, полностью основана на клинической практике, поэтому для извлечения переменных не требуется работы исследовательской группы», - говорит Анеджа.
Лучевая терапия играет важную роль при раке головы и шеи, и почти все пациенты сталкиваются с токсичностью. Одним из них является дисфагия, которая может привести к потере веса и необходимости использования пищевой трубки. В других случаях это может привести к госпитализации и необходимости в обезболивании.
В исследовании Редди и его коллеги выдвинули гипотезу о том, что использование подхода машинного обучения позволит точно прогнозировать следующее:
- незапланированные госпитализации;
- значительную потерю веса;
- необходимость размещения трубки для питания.
Данные были объединены из внутреннего веб-инструмента построения диаграмм (известного как Brocade), электронной медицинской карты (Epic) и системы записи проверки (Mosaiq) для разработки прогностических моделей токсичности.
Исследование проводилось с мая 2016 года по август 2018 года, в течение которого было пройдено 2121 последовательных курсов лучевой терапии. Для каждого курса было собрано более 700 клинических и лечебных переменных, включая демографические данные, характеристики опухоли, предшествующее лечение и подробную информацию о лучевом лечении.
Курсы облучения были разделены на две группы. Модель с лучшими показателями затем оценивалась в независимом наборе, включающем 225 последовательных курсов лучевой терапии. 75,2% участников были мужчинами, средний возраст 62 года. Наиболее распространенными местами первичного заболевания были ротоглотка (35%), полость рта (14,8%) и слюнная железа (6,1%). Среди побочных эффектов были необходимость использования трубки для кормления (17,8%) и значительная потеря веса (16,9%).
«Применение трех моделей машинного обучения к структурированному набору данных позволило разработать прогностические модели острой лучевой токсичности для пациентов с раком головы и шеи, - заключил Редди. - Это исследование демонстрирует возможность использования точной онкологии для прогнозирования острой радиационной токсичности».
Острая радиационная токсичность является существенной проблемой для пациентов с раком головы и шеи, и, поскольку каждый пациент уникален, начало, тяжесть и продолжительность этих побочных эффектов являются переменными. Новое исследование предполагает, что использование подхода машинного обучения для прогнозирования острой радиационной токсичности может позволить превентивно управлять побочными эффектами.
Источник: https://www.medscape.com/viewarticle/918601#vp_1
