Алгоритм выявляет онкологических больных, нуждающихся в разговорах о предварительном планировании лечения

Алгоритм выявляет онкологических больных, нуждающихся в разговорах о предварительном планировании лечения

Многие больные раком не имеют возможности обсудить свои пожелания относительно лечения до тех пор, пока их болезнь не зайдет слишком далеко, когда может быть уже слишком поздно для этих бесед с близкими или врачами. Теперь команда под руководством Penn Medicine разработала алгоритм, который помечает пациентов, которые больше всего выиграют от своевременного разговора о своих целях и желаниях в конце жизни, чтобы начать этот диалог раньше. В новом исследовании, опубликованном сегодня в JAMA Network Openи одновременно представленный на симпозиуме Американского общества клинической онкологии (ASCO) по поддерживающей терапии в онкологии в Сан-Франциско, Калифорния – исследователи обнаружили, что 51 процент пациентов, которых алгоритм отмечал как «высокоприоритетные» для этих разговоров, впоследствии умерли в течение шести месяцев после оценка, по сравнению с менее чем четырьмя процентами в группе «более низкого приоритета». Эти результаты позволяют предположить, что алгоритм точно определяет тех пациентов, для которых своевременное обсуждение их целей, ценностей и предпочтений в отношении лечения принесет наибольшую пользу.

Это исследование считается одним из первых, если не первым, посвященным применению алгоритма машинного обучения для онкологических пациентов.

«В любой день на самом деле довольно сложно определить, какие пациенты в моей клинике больше всего выиграют от активного разговора о расширенном планировании медицинской помощи», – сказал ведущий автор исследования Рави Парих, доктор медицины, инструктор по медицинской этике и политике в области здравоохранения в университете. из Пенсильвании и штатным врачом Медицинского центра капрала Майкла Дж. Кресенца. «Пациенты часто не озвучивают свои желания и цели без подсказки, а у врачей может не хватить на это времени в загруженной клинике. Наличие такого алгоритма может заставить врачей в клинике остановиться и подумать: «Неужели сейчас самое время поговорить о предпочтениях этого пациента?» »

Исследователи применили три разные модели прогнозирования к 26 525 пациентам, получающим амбулаторную онкологическую помощь в двух больницах системы здравоохранения Пенсильванского университета. Каждый использовал информацию, обычно доступную в электронных медицинских картах пациентов: демографические характеристики, такие как пол и возраст, стандартные данные о сопутствующих заболеваниях, такие как высокое кровяное давление, а также лабораторные данные и данные электрокардиограммы.

По сравнению с другими методами машинного обучения, такими как «градиентное усиление» и «логистическая регрессия», «модель случайного леса», построенная командой в этом исследовании, привела к лучшим прогнозным результатам: примерно половина пациентов из группы высокого риска умерла в течение шести месяцев. и почти 65 процентов умерли примерно через полтора года (по сравнению с 7,6 процентами пациентов из группы низкого риска). Когда были опрошены 15 онкологов, они согласились, что 60 процентов из тех, кого алгоритм определил как «высокорискованный», определенно подходят для немедленного разговора о своих желаниях.

Этот алгоритм был создан с помощью группы исследователей Penn Medicine, которые также разработали другой алгоритм для аналогичных целей, названный Palliative Connect . Эта система используется для начала консультаций с персоналом паллиативной помощи и недавно была признана особенно эффективной, увеличив количество консультаций на 74 процента . Но исследование, проведенное Парихом, отличается тем, что нацелено на увеличение количества разговоров между пациентами и самими онкологами в амбулаторных условиях.

«Мы очень рады масштабируемости этого метода поддержки принятия решений для поставщиков услуг, и не только в онкологии», – сказал Парих. «Наш процесс использования машинного обучения для отметки пациентов из группы высокого риска в режиме реального времени широко применим, и наш подход разделяет пациентов по риску удобным для использования способом, который просто не был доступен для нас раньше».

Ссылка на основную публикацию