機械学習によりがん治療中の入院を予測する

2024 年 4 月 8 日 – 機械学習ツールは、ウェアラブル デバイスから患者が生成した健康データを使用して、同時化学放射線療法 (CRT) 中の計画外の入院イベントを正確に予測できます。 勉強 最近出版された JAMA 腫瘍学。

研究チームは、CRTの毒性作用により治療の中断や入院が生じる可能性があると指摘した。 これらは、ひいては医療費の増加や治療効果の低下につながる可能性があります。

研究者らはさらに、身体活動モニタリングのデータは、入院のリスクが高く、予防的介入の恩恵を受ける可能性のある患者を特定するのに役立つ可能性があると指摘した。

この仮説を評価するために、研究チームは、CRTを受け、前向き臨床試験に参加しているがん患者のウェアラブルデバイスからの毎日の歩数を組み込むように設計された機械学習ツールを開発し、検証しました。

この分析では、2015年6月から2018年8月までウェアラブルデバイスを介した活動モニタリングの3つの前向き単一施設試験に登録された、さまざまながんのCRTを受けている214人の患者からデータを抽出した。

コホートの患者は、CRT中および治療後1か月間追跡調査されました。

モデルのトレーニングと検証のためのコホートは時間的に生成され、参加者の 70% がトレーニング サンプルに含まれ、残りの 30% が検証サンプルに含まれるようにがん診断に基づいて患者を階層化しました。

研究チームはこれらのデータを使用して、ランダム フォレスト、ニューラル ネットワーク、エラスティック ネット正則化ロジスティック回帰 (EN) モデルをトレーニングし、患者が生成した活動データと臨床情報を組み合わせて短期入院のリスクを予測しました。

予測におけるウェアラブル データと歩数の役割を効果的に評価するために、研究者らは一部のツールを活動監視機能のみに基づいてトレーニングし、その他のツールは臨床的特徴のみに基づいてトレーニングしました。 各モデルのパフォーマンスは、受信機動作特性曲線下面積 (ROC AUC) の観点から測定されました。

臨床情報と歩数の両方を組み込んだ EN モデルは、それぞれ 0.76 と 0.80 の ROC AUC を達成したランダムフォレストとニューラル ネットワークのアプローチと比較して、ROC AUC 0.83 で最高のパフォーマンスを示しました。

それぞれの影響をよりよく理解するために歩数または臨床的特徴のいずれかを削除したアブレーション研究では、研究者らは、歩数のみに基づく EN モデルが、臨床的特徴と歩数の両方を使用する EN モデルよりも優れた予測パフォーマンスを示したことを発見しました。 歩数のみのモデルは ROC AUC 0.85 を達成し、ROC AUC 0.53 に達した臨床特徴のみの EN を大幅に上回りました。

これらの発見により研究チームは、患者が生成した健康データは価値があり、CRT中の計画外の入院のリスクを予測するための機械学習モデルの予測機能が向上する可能性があると結論づけた。

今後、歩数と臨床的特徴に基づく EN モデルは、研究結果をさらに検証するために、今後行われる多施設共同のグループ無作為化試験で評価される予定です。

この研究は、機械学習とその他のアプローチががん治療の進歩にどのように役立つかを示す一例です。

3月、セントルイスのワシントン大学医学部の研究者らは、 共有 彼らは、どの非小細胞肺がん（NSCLC）患者が脳転移を経験する可能性が高いかを示す深層学習ベースの予測アプローチを開発したと発表した。

脳転移はかなりの数の NSCLC 患者で発生しますが、高リスク患者を特定する信頼できる方法は現在存在しません。

この研究ギャップを埋めるために、チームは肺生検画像を使用して脳転移リスクを予測するディープラーニング主導のモデルを構築しました。 このアプローチは、臨床医よりもはるかに優れて生検画像内の異常な特徴を検出することができました。