بر اساس مطالعهای که اخیراً در مجله منتشر شده است، ابزارهای یادگیری ماشینی میتوانند با استفاده از دادههای بهداشتی تولید شده توسط بیمار از دستگاههای پوشیدنی، یک رویداد بستری غیرقابل برنامهریزی را در طول شیمیدرمانی همزمان (CRT) با دقت پیشبینی کنند. JAMA انکولوژی.
تیم تحقیقاتی نشان داد که اثرات سمی CRT می تواند منجر به وقفه در درمان و بستری شدن در بیمارستان شود. اینها به نوبه خود می توانند منجر به افزایش هزینه های مراقبت های بهداشتی و کاهش اثربخشی درمان شوند.
محققان همچنین خاطرنشان کردند که داده های نظارت بر فعالیت بدنی این پتانسیل را دارد که به شناسایی بیمارانی که در معرض خطر بالاتر بستری شدن در بیمارستان هستند و ممکن است از مداخلات پیشگیرانه سود ببرند، کمک کند.
برای ارزیابی این فرضیه، تیم تحقیقاتی ابزارهای یادگیری ماشینی را طراحی و تأیید کرد که برای ترکیب تعداد گامهای روزانه از دستگاههای پوشیدنی بیماران سرطانی تحت CRT و شرکت در آزمایشهای بالینی آیندهنگر طراحی شدهاند.
این تجزیه و تحلیل دادههای ۲۱۴ بیمار دریافتکننده CRT را برای انواع سرطانها که در سه کارآزمایی آیندهنگر، تک موسسهای نظارت بر فعالیت از طریق دستگاههای پوشیدنی از ژوئن ۲۰۱۵ تا اوت ۲۰۱۸ ثبتنام کردند، به دست آورد.
بیماران در گروه در طول CRT و 1 ماه پس از درمان پیگیری شدند.
گروههایی برای آموزش مدل و اعتبارسنجی بهطور موقت ایجاد شد و بیماران را بر اساس تشخیص سرطان طبقهبندی کرد، به طوری که 70 درصد شرکتکنندگان در نمونه آموزشی و 30 درصد باقیمانده در نمونه اعتبارسنجی بودند.
با استفاده از این دادهها، تیم تحقیقاتی مدلهای جنگل تصادفی، شبکه عصبی و رگرسیون لجستیکی منظم با شبکه الاستیک (EN) را برای پیشبینی خطر بستری شدن کوتاهمدت با استفاده از ترکیبی از دادههای فعالیت تولید شده توسط بیمار و اطلاعات بالینی آموزش دادند.
برای ارزیابی مؤثر نقش دادههای پوشیدنی و تعداد گامها در پیشبینیها، محققان برخی از ابزارها را فقط بر اساس ویژگیهای نظارت بر فعالیت و برخی دیگر را فقط بر اساس ویژگیهای بالینی آموزش دادند. عملکرد هر مدل بر حسب ناحیه مشخصه عملکرد گیرنده زیر منحنی (ROC AUC) اندازه گیری شد.
مدل EN که هم اطلاعات بالینی و هم تعداد گام را در بر می گرفت، بالاترین عملکرد را با AUC ROC 0.83 در مقایسه با رویکردهای جنگل تصادفی و شبکه عصبی نشان داد که به ترتیب AUCهای ROC 0.76 و 0.80 را به دست آوردند.
در مطالعه ابلیشن، که برای درک بهتر تأثیر هر کدام، تعداد گامها یا ویژگیهای بالینی را حذف کرد، محققان دریافتند که مدل EN بر اساس تنها شمارش گامها، عملکرد پیشبینیکنندگی بیشتری نسبت به مدل EN با استفاده از ویژگیهای بالینی و تعداد گامها نشان داد. مدل فقط شمارش گام به ROC AUC 0.85 دست یافت که به طور قابل توجهی از EN فقط ویژگی بالینی که به ROC AUC 0.53 رسید، بهتر عمل کرد.
این یافتهها باعث شد تیم تحقیقاتی به این نتیجه برسند که دادههای سلامتی تولید شده توسط بیمار ممکن است ارزشمند باشد و قابلیتهای پیشبینی مدلهای یادگیری ماشین را برای پیشبینی خطر بستریهای برنامهریزی نشده در بیمارستان در طول CRT ارتقا دهد.
با حرکت رو به جلو، مدل EN بر اساس تعداد گامها و ویژگیهای بالینی در یک کارآزمایی تصادفیشده چند موسسهای و گروهی مشارکتی آتی مورد ارزیابی قرار میگیرد تا یافتههای مطالعه را بیشتر تأیید کند.
این تحقیق نمونه ای از این است که چگونه یادگیری ماشین و سایر رویکردها می توانند به پیشرفت مراقبت از سرطان کمک کنند.
در ماه مارس، محققان دانشکده پزشکی دانشگاه واشنگتن در سنت لوئیس به اشتراک گذاشتند که آنها یک رویکرد پیشبینی مبتنی بر یادگیری عمیق را برای شناسایی بیماران سرطان ریه سلول غیر کوچک (NSCLC) ایجاد کردهاند که احتمالاً متاستاز مغزی را تجربه میکنند.
متاستازهای مغزی در تعداد قابل توجهی از بیماران NSCLC رخ می دهد، اما هیچ روش قابل اعتمادی برای شناسایی بیماران پرخطر در حال حاضر وجود ندارد.
برای پر کردن این شکاف تحقیقاتی، تیم یک مدل مبتنی بر یادگیری عمیق برای پیشبینی خطر متاستاز مغز با استفاده از تصاویر بیوپسی ریه ساخت. این رویکرد توانست ویژگیهای غیرطبیعی را در یک تصویر بیوپسی به طور قابلتوجهی بهتر از پزشکان تشخیص دهد.