Алгоритм прогнозирует ранний риск смертности при начале химиотерапии

Алгоритм машинного обучения, который использует данные из электронных медицинских записей (ЭМЗ), может точно предсказать ранний риск смертности у пациентов с раком, которые собираются пройти химиотерапию, показывает ретроспективное когортное исследование.

«Новая химиотерапия является критическим событием в траектории болезни от рака, и объективные предсказания краткосрочной смертности в это время могут быть полезны врачам и пациентам несколькими способами», - сказал старший автор Зиад Обермайер, MD, MPhil, Brigham и Women's Hospital и Гарвардская медицинская школа, Бостон, Массачусетс и коллеги.

«Эта модель хорошо зарекомендовала себя в различных типах рака, расы, пола и других демографических данных», - пишут они.

«Оценки были точными для схем химиотерапии с паллиативным и целебным назначением, для пациентов с раком ранней и отдаленной стадии, а также для пациентов, получавших схемы клинических испытаний, введенные через несколько лет после обучения модели», - добавляют они.

Дальнейшие исследования необходимы для определения того, насколько целесообразно применять этот алгоритм в других клинических условиях, они предостерегают.

Исследование было опубликовано 27 июля в JAMA Network Open.

Для их изучения группа проанализировала данные от ЭМЗ для всех пациентов, проходящих химиотерапию в Дана-Фарбере / Бригаме и Женском онкологическом центре в Бостоне, штат Массачусетс.

«Мы выявили 26 946 пациентов, которые инициировали 51 774 дискретных курса химиотерапии с 2004 по 2014 год», - пишут исследователи.

Средний возраст группы составлял 58,7 года, 61,1% - женщины, 86,9% - белые.

Во время начала химиотерапии у 59,4% была болезнь на отдаленной стадии.

Сообщая о результатах только по модели валидации, а не по модели деривации, на которой она была основана, исследователи заявляют, что общий 30-дневный уровень смертности составил 2,1% среди 9114 пациентов, включенных в набор валидации.

«Модель точно предсказала 30-дневную смертность для всех пациентов независимо от цели химиотерапии», утверждают авторы.

Среди пациентов, проходящих паллиативную химиотерапию - для кого прогностические оценки будут особенно важны, модель также хорошо работает.

Исследователи также использовали модель для ранжирования отдельных пациентов с паллиативной химиотерапией для раннего риска смертности на 30 дней.

В этой подгруппе пациентов они обнаружили, что 30-дневная смертность составила 22,6% среди децилей наивысшего риска прогнозируемого риска против 0% для пациентов в дециле с самым низким уровнем риска.

Затем команда использовала модель для прогнозирования риска смертности на 180 дней.

Среди всех пациентов, включенных в набор валидации, общая смертность в течение 180 дней составляла 18,4%; среди пациентов, подвергшихся паллиативной химиотерапии, смертность в течение 180 дней была выше - 27,9%.

«Модельные предсказания о 30-дневной смертности также были точными предсказателями смертности на 180 дней», - отмечают исследователи.

Опять же, для ранжирования в дециле наивысшего риска смертность на 180 дней составила 74,8%, по сравнению с 0,2% среди пациентов, находящихся в дециле с самым низким уровнем риска.

Исследователи также применили модель к пациентам с дистанционной стадией заболевания. В этой подгруппе средний 30-дневный уровень смертности составил 2,9%.

Однако снова риск смертности в 30 дней был значительно выше - у 22,7% среди пациентов с децилом с самым высоким уровнем риска по сравнению с 0% среди децилей с самым низким уровнем риска.

Даже когда модель была использована для экспериментальных схем химиотерапии, начатых с 2012 по 2014 год, предсказанная точность модели валидации была очень высокой, при AUC 0,942, отмечают исследователи. Это несмотря на то, что модель, используемая для обучения алгоритму, не подвергалась этим новым схемам.

Анализируя пациентов только с дистанционной стадией, авторы сравнили эффективность своей модели с двумя внешними оценками смертности - данными рандомизированного контролируемого исследования (РКИ) и данными реестров эпиднадзора, эпидемиологии и конечных результатов (SEER).

Исследователи отмечают, что данные из РКИ и реестра SEER часто используются врачами для получения прогнозов смертности.

«Общая оценка AUC для РКИ составила 0,555 ... по сравнению с 0,771 для оценок на основе моделей», - сообщают команды.

Модельные предсказания аналогичным образом превзошли оценки SEER для 1-летней смертности для тех же пациентов.

Авторы исследования отмечают, что, чтобы быть полезными, прогностические модели должны помочь врачам принимать основополагающие решения в повседневной клинической практике.

Они предполагают, что алгоритм машинного обучения, такой как его собственный, который может идентифицировать больных раком с высоким риском ранней смертности, может помочь в принятии решений пациента и врача об инициации химиотерапии и планировании предварительной помощи».

Источник: https://www.medscape.com/viewarticle/899893