– Eine Studie, die letzten Monat in veröffentlicht wurde JAMA-Netzwerk geöffnet beschrieb ein neues Tool für maschinelles Lernen (ML), das Ärzte dabei unterstützen kann, ältere Erwachsene mit fortgeschrittenem Krebs zu identifizieren, bei denen ein höheres Risiko für unerwünschte Folgen besteht.
Laut den Forschern zeigen ältere Erwachsene mit fortgeschrittenem Krebs vor der Krebsbehandlung häufig eine Vielzahl von Symptomen wie Schmerzen, Müdigkeit und Schlaflosigkeit. Bei Patienten mit hoher Symptomschwere vor der Behandlung kommt es während der Krebsbehandlung häufig zu unerwünschten Ereignissen, was die Notwendigkeit einer Methode zur Stratifizierung dieser Patienten auf der Grundlage ihres Risikos für unerwünschte Folgen unterstreicht.
Zu diesem Zweck entwickelten die Forscher ein unüberwachtes ML-Modell und bewerteten es mithilfe einer Sekundäranalyse der Geriatric Assessment Intervention for Reducing Toxicity in Older Patients With Advanced Cancer (GAP70+) Trial.
Die Forscher zogen eine Kohorte von Patienten aus der Studie heraus, die vor Beginn eines neuen Krebsbehandlungsschemas die vom National Cancer Institute Patient-Reported Outcomes veröffentlichte Version der Common Terminology Criteria for Adverse Events (PRO-CTCAE) abgeschlossen hatten. Alle Teilnehmer wurden auch an kommunalen Onkologiezentren in den USA betreut.
Die letzte Kohorte umfasste 706 Patienten mit verschiedenen Krebsarten. Unter Verwendung von Daten dieser Patienten gruppierte das ML-Modell Patienten basierend auf Ähnlichkeiten der Schwere der Ausgangssymptome. Dies ergab Variablen in Bezug auf Schweregradkategorien für 24 PRO-CTCAE-Symptome.
Der durch diese Analyse generierte Gesamtschwerewert wurde als Summe der 24 Variablen für jeden Teilnehmer berechnet.
Anschließend untersuchte das Forschungsteam mögliche Zusammenhänge zwischen diesen variablen Clustern und ungeplanten Krankenhauseinweisungen, Todesfällen und toxischen Wirkungen. Diese Nebenwirkungen wurden als ungeplanter Krankenhausaufenthalt über 3 Monate, Gesamtmortalität über 1 Jahr und alle vom Arzt bewerteten toxischen Wirkungen der Grade 3 bis 5 über 3 Monate quantifiziert.
Das Modell identifizierte drei Patientencluster, die durch die Schwere der Symptome gekennzeichnet waren, die die Forscher als niedrig, mittel und hoch bezeichneten. Diese Cluster waren signifikant mit einem erhöhten Risiko für bestimmte Nebenwirkungen verbunden, nämlich ungeplante Krankenhauseinweisungen und Tod.
Unter Verwendung dieses Frameworks klassifizierte das ML-Tool 43,9 Prozent, 41,8 Prozent und 14,3 Prozent der Kohorte in Cluster mit niedrigem, mittlerem und hohem Schweregrad.
Das Forschungsteam stellte außerdem fest, dass das Risiko selbst dann anstieg, wenn Kontrollen für soziodemografische Variablen, klinische Faktoren, Studiengruppe und Praxisstandort auf die Analyse angewendet wurden. Nach Berücksichtigung dieser Faktoren war die Wahrscheinlichkeit einer Krankenhauseinweisung bei Patienten in der Gruppe mit mittlerem Schweregrad höher als bei Patienten in der Gruppe mit niedrigem Schweregrad.
Die Studie ergab auch, dass Teilnehmer in den Clustern mit mittlerem und hohem Schweregrad mit einem höheren Todesrisiko, aber nicht mit toxischen Wirkungen verbunden waren.
Die Forscher kamen zu dem Schluss, dass diese Ergebnisse auf das Potenzial von ML hindeuten, die Entwicklung von Instrumenten zur Risikostratifizierung zu steuern und als Hilfsmittel zu dienen, um Klinikern zu helfen, ältere Erwachsene mit hohem Risiko für Krankenhauseinweisung und Tod zu identifizieren, bevor sie mit einer neuen Krebsbehandlung beginnen.
Da die Gesundheitssysteme daran arbeiten, die Krebsbehandlung zu personalisieren, hat sich die prädiktive Analytik als vielversprechend erwiesen, um diese Bemühungen zu unterstützen.
Im September teilten Forscher mit, dass ein Vorhersagemodell die gesundheitsbezogene Lebensqualität (HRQOL) unter erwachsenen Überlebenden von Krebs im Kindesalter anhand soziodemografischer, Lebensstil- und Gesundheitszustandsfaktoren genau vorhersagen könne.
In ihrer Forschung argumentierten sie, dass solche Vorhersagen der Schlüssel zur Entwicklung von Interventionen sind, um die Ergebnisse für diese Patienten zu verbessern, und stellten fest, dass frühere Studien die HRQOL bei Überlebenden von Krebs im Kindesalter untersucht hatten, aber keine die Vorhersage eines Rückgangs der HRQOL oder einer schlechten HRQOL für diese Personen untersucht hatte.
Die Forscher fanden einen starken Zusammenhang zwischen chronischen Gesundheitszuständen, emotionalen und neurokognitiven Beeinträchtigungen und aktuellem Rauchen mit einem Rückgang der körperlichen und geistigen HRQOL. Um die Ergebnisse für erwachsene Überlebende von Krebs im Kindesalter zu verbessern, erklärten sie, dass Interventionen auf diese spezifischen Risikofaktoren abzielen müssen.
