Машинное обучение прогнозирует рак пищевода и желудка с использованием данных ЭМК

Источник: Гетти Изображения

Шанайа Кеннеди

28 августа 2023 г. — Согласно исследованию, опубликованному недавно в журнале Gastroenterology, модель машинного обучения (ML) может автоматически прогнозировать аденокарциному пищевода (EAC) и аденокарциному кардии желудка (GCA) за три года до постановки официального диагноза.

Исследователи указали, что показатели EAC и GCA значительно выросли в США и других западных странах за последние пятьдесят лет, что обуславливает необходимость улучшения скрининга.

«Скрининг может выявить предраковые изменения у пациентов, пищевод Барретта, который иногда диагностируется у людей с длительной гастроэзофагеальной рефлюксной болезнью или ГЭРБ», — объяснил Джоэл Рубинштейн, доктор медицинских наук, профессор внутренних болезней Мичиганского медицинского университета и исследователь ученый из Центра клинических исследований по делам ветеранов подполковника Чарльза С. Кеттлса в пресс-релизе с подробным описанием исследования.

Раннее выявление этих видов рака может помочь пациентам и медицинским работникам принять меры для предотвращения прогрессирования, но многие поставщики медицинских услуг не знают о соответствующих руководящих принципах скрининга. В результате оказывается, что многие пациенты, у которых в конечном итоге диагностирован EAC или GCA, никогда не проходили никакого скрининга, продолжил он.

Чтобы решить эту проблему, исследовательская группа стремилась создать автоматизированный инструмент, который можно было бы встроить в электронные медицинские записи и помочь в принятии клинических решений.

Полученная модель, «Прогнозирование аденокарциномы пищевода и кардии Кеттлса» (K-ECAN), была обучена с использованием данных из корпоративного хранилища данных Управления здравоохранения ветеранов (VHA). Таким образом, 8430 пациентов с диагнозом EAC и 2965 пациентов с GCA были идентифицированы в Центральном реестре рака VHA и сравнены с 10 256 887 контрольными пациентами.

«K-ECAN использует базовую информацию, уже доступную в EHR, такую ​​​​как демографические данные пациента, вес, предыдущие диагнозы и рутинные лабораторные результаты, чтобы определить индивидуальный риск развития аденокарциномы пищевода и аденокарциномы кардии желудка», — сказал Рубинштейн.

Это может помочь поставщикам медицинских услуг лучше определить риск каждого пациента.

«Симптомы ГЭРБ, такие как изжога, являются важным фактором риска развития аденокарциномы пищевода», — заявил Рубинштейн. «Но у большинства людей с симптомами ГЭРБ никогда не разовьется аденокарцинома пищевода и аденокарцинома кардии желудка. Кроме того, примерно половина пациентов с этой формой рака вообще никогда раньше не испытывали симптомов ГЭРБ. Это делает K-ECAN особенно полезным, поскольку он может выявлять людей с повышенным риском, независимо от того, есть у них симптомы ГЭРБ или нет».

Было обнаружено, что эта модель обеспечивает лучшую распознаваемость, чем существующие рекомендации и две ранее проверенные модели прогнозирования, и Рубенштейн отметил, что K-ECAN может «точно предсказать рак по крайней мере за три года до постановки диагноза».

Исследовательская группа указала, что включение такого инструмента, как K-ECAN, в EHR может помочь предупредить поставщиков о том, какие пациенты подвергаются риску EAC или GCA, посредством автоматического уведомления в подходящее время, например, когда пациенту необходимо пройти колоректальный скрининг.

Они предположили, что это может значительно снизить бремя этих видов рака.

В дальнейшем исследователи будут работать над проверкой K-ECAN за пределами VHA.

Предпринимаются и другие усилия по улучшению лечения рака с использованием ОД.

Ранее в этом месяце исследователи провели внешнюю проверку модели ML, разработанной для прогнозирования шестимесячного риска смертности для пациентов с запущенным раком, начинающих новую линию терапии (LOT).

Первоначально модель была создана для классификации риска смертности пациентов, чтобы облегчить обсуждение серьезных заболеваний между поставщиками медицинских услуг и пациентами на различных этапах принятия решения о лечении (TDP).

В модели используются 45 функций, собранных из электронных медицинских карт, которые можно реализовать с помощью стандарта Fast Healthcare Interoperability Resources (FHIR). Было обнаружено, что она позволяет точно классифицировать риск смертности пациентов, что подчеркивает потенциал этих инструментов в онкологической помощи.