– Tools für maschinelles Lernen können einen ungeplanten Krankenhausaufenthalt während einer gleichzeitigen Radiochemotherapie (CRT) mithilfe von patientengenerierten Gesundheitsdaten von tragbaren Geräten genau vorhersagen, so eine kürzlich in veröffentlichte Studie JAMA Onkologie.
Das Forschungsteam wies darauf hin, dass die toxischen Wirkungen der CRT zu Behandlungsunterbrechungen und Krankenhausaufenthalten führen können. Dies kann wiederum zu höheren Gesundheitskosten und einer verringerten Behandlungswirksamkeit führen.
Die Forscher stellten außerdem fest, dass Daten aus der Überwachung der körperlichen Aktivität das Potenzial haben, dabei zu helfen, Patienten mit einem höheren Risiko für einen Krankenhausaufenthalt zu identifizieren, die von proaktiven Interventionen profitieren könnten.
Um diese Hypothese zu bewerten, entwickelte und validierte das Forschungsteam maschinelle Lerntools, die darauf ausgelegt sind, die täglichen Schrittzahlen der tragbaren Geräte von Krebspatienten zu integrieren, die sich einer CRT unterziehen und an prospektiven klinischen Studien teilnehmen.
Für die Analyse wurden Daten von 214 Patienten herangezogen, die CRT wegen verschiedener Krebsarten erhielten und von Juni 2015 bis August 2018 an drei prospektiven Einzelinstitutsstudien zur Aktivitätsüberwachung über tragbare Geräte teilnahmen.
Die Patienten der Kohorte wurden während der CRT und einen Monat nach der Behandlung nachuntersucht.
Kohorten für das Training und die Validierung des Modells wurden zeitlich erstellt, wobei die Patienten basierend auf der Krebsdiagnose geschichtet wurden, sodass 70 Prozent der Teilnehmer in der Trainingsstichprobe und die restlichen 30 Prozent in der Validierungsstichprobe waren.
Anhand dieser Daten trainierte das Forschungsteam Random-Forest-, neuronale Netzwerk- und Elastic-Net-Regularized-Logistic-Regression-Modelle (EN), um das Risiko eines kurzfristigen Krankenhausaufenthalts mithilfe einer Kombination aus patientengenerierten Aktivitätsdaten und klinischen Informationen vorherzusagen.
Um die Rolle tragbarer Daten und Schrittzahlen bei Vorhersagen effektiv zu bewerten, trainierten die Forscher einige Tools nur auf der Grundlage von Aktivitätsüberwachungsfunktionen und andere nur auf der Grundlage klinischer Merkmale. Die Leistung jedes Modells wurde anhand der Receiver Operating Characteristic Area Under Curve (ROC AUC) gemessen.
Das EN-Modell, das sowohl klinische Informationen als auch Schrittzahlen berücksichtigte, zeigte mit einem ROC-AUC von 0,83 die höchste Leistung im Vergleich zu den Random-Forest- und Neural-Network-Ansätzen, die ROC-AUCs von 0,76 bzw. 0,80 erreichten.
In der Ablationsstudie, bei der entweder Schrittzahlen oder klinische Merkmale entfernt wurden, um die jeweiligen Auswirkungen besser zu verstehen, stellten die Forscher fest, dass das EN-Modell, das nur auf Schrittzahlen basierte, eine bessere Vorhersageleistung aufwies als das EN-Modell, das sowohl klinische Merkmale als auch Schrittzahlen verwendete. Das Nur-Schrittzahl-Modell erreichte einen ROC-AUC von 0,85 und übertraf damit deutlich das EN-Modell, das nur auf klinische Merkmale beschränkt war und einen ROC-AUC von 0,53 erreichte.
Diese Ergebnisse führten das Forschungsteam zu dem Schluss, dass von Patienten generierte Gesundheitsdaten wertvoll sein könnten und die Vorhersagefähigkeiten von Modellen für maschinelles Lernen verbessern, um das Risiko ungeplanter Krankenhausaufenthalte während einer CRT vorherzusagen.
Zukünftig wird das auf Schrittzahlen und klinischen Merkmalen basierende EN-Modell in einer bevorstehenden multiinstitutionellen, kooperativen, gruppenrandomisierten Studie bewertet, um die Ergebnisse der Studie weiter zu validieren.
Diese Forschung ist ein Beispiel dafür, wie maschinelles Lernen und andere Ansätze dazu beitragen können, die Krebsbehandlung voranzutreiben.
Im März teilten Forscher der Washington University School of Medicine in St. Louis mit, dass sie einen auf Deep Learning basierenden Vorhersageansatz entwickelt hätten, um festzustellen, bei welchen Patienten mit nicht-kleinzelligem Lungenkrebs (NSCLC) wahrscheinlich Hirnmetastasen auftreten würden.
Hirnmetastasen treten bei einer beträchtlichen Anzahl von NSCLC-Patienten auf, es gibt jedoch derzeit keine zuverlässigen Methoden zur Identifizierung von Hochrisikopatienten.
Um diese Forschungslücke zu schließen, entwickelte das Team ein Deep-Learning-Modell, um das Risiko einer Hirnmetastasierung anhand von Lungenbiopsiebildern vorherzusagen. Der Ansatz war in der Lage, abnormale Merkmale in einem Biopsiebild deutlich besser zu erkennen als Ärzte.
