AACR Yıllık Toplantısı 2022’de sunulan sonuçlara göre, elektronik sağlık kayıtlarından elde edilen sıralı sağlık bilgileri kullanılarak eğitilen bir yapay zeka (AI) modeli, üç ila 36 ay içinde 25 kat pankreas kanseri geliştirme riski taşıyan bir birey alt grubunu belirledi. 8-13 Nisan.
Ph.D. Bo Yuan, “Şu anda pankreas kanserini erken tespit edebilecek güvenilir biyobelirteçler veya tarama araçları yok” dedi. Harvard Üniversitesi’nde çalışmayı sunan aday. “Bu çalışmanın amacı, klinisyenlerin pankreas kanseri için yüksek risk altındaki kişileri belirlemelerine yardımcı olabilecek, böylece önleme veya gözetim programlarına kaydolabilmeleri ve erken tedaviden umutla faydalanabilmeleri için bir yapay zeka aracı geliştirmekti.”
Doktora Davide Placido, pankreas kanserinin erken semptomların olmaması nedeniyle genellikle daha sonraki aşamalarda teşhis edilen ve bu nedenle nispeten kötü bir prognoza sahip agresif bir kanser türü olduğunu söyledi. Kopenhag Üniversitesi’nde aday ve çalışmanın ilk yazarı. Pankreas kanserini hastalık seyrinde daha erken teşhis etmenin bu hastalar için tedavi seçeneklerini iyileştirebileceğini kaydetti.
Modeller bir miktar başarılı oldu
Yapay zekadaki son gelişmeler, araştırmacıları radyoloji görüntüleri, patoloji slaytları ve elektronik sağlık kayıtları kullanarak çeşitli kanser türleri için risk tahmin algoritmaları geliştirmeye yönlendirdi. Mide ülseri, pankreatit ve diyabet gibi kanser öncesi tıbbi teşhisleri pankreas kanseri riskinin göstergeleri olarak kullanmaya çalışan modeller bir miktar başarılı oldu, ancak Yuan ve meslektaşları, dil işleme algoritmalarından kavramları dahil ederek daha doğru modeller geliştirmeye çalıştılar.
Yuan, “Hastalık yörüngeleri ile doğal dildeki kelime dizileri arasındaki benzerlikten ilham aldık.” Dedi. “Daha önce kullanılan modeller, bir bireyin tıbbi kayıtlarındaki hastalık teşhisleri dizisini kullanmıyordu. Her teşhisi bir kelime olarak kabul ederseniz, önceki modeller teşhisleri tam bir cümle oluşturan bir kelime dizisinden ziyade bir kelime torbası gibi ele aldı.”
Araştırmacılar, 1977 ile 2018 yılları arasında tedavi edilen ve yaklaşık 24.000’inde pankreas kanseri gelişen 6,1 milyon hastanın kayıtlarını içeren Danimarka Ulusal Hasta Kayıtlarından alınan elektronik sağlık kayıtlarını kullanarak AI yöntemlerini eğittiler. Araştırmacılar, modele hangi tanı modellerinin pankreas kanseri riskini en belirgin şekilde öngördüğünü öğretmek için her hastadan tıbbi tanı dizisini girdi.
Araştırmacılar daha sonra AI aracının pankreas kanseri oluşumunu risk değerlendirmesinden sonra üç ila 60 ay arasında değişen aralıklarla tahmin etme yeteneğini test etti.
Yanlış pozitifleri en aza indirgemek için belirlenen bir eşik değerinde, “yüksek risk altında” olduğu düşünülen bireylerin, risk eşiğinin altındaki hastalara göre üç ila 36 ay arasında pankreas kanseri geliştirme olasılıkları 25 kat daha fazlaydı. Buna karşılık, kanser öncesi hastalık olaylarının sırasını hesaba katmayan bir model, ilgili eşiğin üzerindeki hastalar için önemli ölçüde daha düşük bir risk artışıyla sonuçlandı.
Araştırmacılar ayrıca, Mass General Brigham Health Care System’den elektronik tıbbi kayıtları kullanarak bulgularını doğruladılar. Yuan, farklı sağlık sistemleri arasındaki sağlık hizmetleri ve kayıt tutma uygulamalarındaki farklılıkların, modelin yeni veri kümesi üzerinde yeniden eğitilmesini gerektirdiğini ve yeniden eğitimin ardından modelin karşılaştırılabilir doğrulukla gerçekleştirildiğini söyledi; Bu veri seti için eğrinin altındaki alan (değer 1’e yaklaştıkça artan bir doğruluk ölçümü), orijinal eğitim seti için 0.87 ile karşılaştırıldığında 0.88 idi.
Tedavi şansı yüksek
AI’nın karar verme sürecinin çoğu, karmaşık bir sinir ağının “gizli katmanlarında” gerçekleşmesine ve araştırmacıların tam olarak hangi tanı modellerinin riski öngördüğünü belirlemesini zorlaştırmasına rağmen, Yuan ve meslektaşları, belirli klinik özellikler ve pankreas kanseri gelişimi ile önemli ilişkiler buldular. Örneğin, diyabet, pankreas ve safra yolu hastalıkları, mide ülseri ve diğerlerinin teşhisi, pankreas kanseri riskinin artmasıyla ilişkilendirildi. Placido, bu bilginin bazı durumlarda geleneksel risk sınıflandırmasını iyileştirebilse de, AI aracının avantajının, bir hastanın hastalık geçmişi bağlamında risk faktörleri hakkındaki bilgileri entegre etmesi olduğunu söyledi.
Araştırmacılar—ilk yazarlardan Jessica Hjaltelin, Ph.D.; yardımcı kıdemli yazarlar Søren Brunak, Ph.D. ve Chris Sander, Ph.D.; ve ortak çalışanlar Peter Kraft, Ph.D., Michael Rosenthal, MD, Ph.D. ve Brian Wolpin, MD, MPH—umarız bu araştırma, klinik deneylerde değerlendirildikten sonra, pankreas kanseri riski yüksek olan hastaların belirlenmesine yol açacaktır. Bu, potansiyel olarak yüksek riskli hastaları önleme ve erken teşhis için artan tarama merkezli programlara dahil etmeye yardımcı olabilir. Placido, kanser erken yakalanırsa başarılı tedavi şansının daha yüksek olduğunu söyledi.
Yuan, “Bu sonuçlar, AI ve derin öğrenme gibi gelişmiş hesaplama teknolojilerinin, her kişinin sağlık ve hastalık geçmişine dayalı olarak giderek daha doğru tahminler yapma potansiyelini gösteriyor.” Dedi.
Bu çalışmanın sınırlamaları arasında, özellikle farklı ülkelerde farklı sağlık sistemleri arasında elektronik sağlık verilerinin standartlaştırılmasındaki zorluklar, bağımsız eğitim ve AI modelinin farklı veri setlerine uygulanmasını gerektirmesi sayılabilir. Etnik çeşitliliği açıkça hesaba katmak için ek analizler de gereklidir. Ayrıca, risk değerlendirmesi ve kanser oluşumu arasındaki daha uzun zaman aralıklarıyla tahmin doğruluğu azalır.
