Μια νέα μέθοδος βασισμένη στην τεχνητή νοημοσύνη (AI) ταξινομεί με ακρίβεια τους καρκινοπαθείς σε ομάδες που έχουν παρόμοια χαρακτηριστικά πριν από τη θεραπεία και παρόμοια αποτελέσματα μετά τη θεραπεία, σύμφωνα με επιστημονική μελέτη με επικεφαλής ερευνητές του Weill Cornell Medicine. Η νέα προσέγγιση έχει τη δυνατότητα να βελτιώσει την επιλογή ασθενών σε κλινικές δοκιμές και την επιλογή θεραπειών για κάθε ασθενή.
Η μελέτη, η οποία δημοσιεύθηκε στο Nature Communications, προσπάθησε να αντιμετωπίσει μια συχνή πρόκληση: Πώς μπορούν οι γιατροί να προβλέψουν ποιοι ασθενείς θα έχουν την καλύτερη ανταπόκριση σε ένα φάρμακο; Σύμφωνα με τα ευρήματα, η νέα μέθοδος φαίνεται ότι μπορεί να προβλέπει τις εκβάσεις κατόπιν θεραπείας από δεδομένα αρχείων υγείας καλύτερα από οποιαδήποτε μέθοδο.
«Ελπίζουμε ότι αυτή η προσέγγιση θα είναι τελικά χρήσιμη για τη δοκιμή και τη στοχευμένη εφαρμογή θεραπειών σε ένα ευρύ φάσμα ασθενειών», δήλωσε ο επικεφαλής συγγραφέας της μελέτης, Δρ Fei Wang, διευθυντής του Ινστιτούτου Τεχνητής Νοημοσύνης για την Ψηφιακή Υγεία στο Τμήμα Επιστημών Υγείας του Πληθυσμού και καθηγητής Επιστημών Υγείας του Πληθυσμού στο Weill Cornell Medicine.
Η μηχανική μάθηση αποτελεί εδώ και καιρό ένα πολλά υποσχόμενο εργαλείο για την εύρεση λεπτών αλλά σημαντικών μοτίβων σε μεγάλα σύνολα δεδομένων, συμπεριλαμβανομένων των ιατρικών. Ωστόσο, παρόλο που τα συστήματα αυτά μπορούν να ταξινομούν τους ασθενείς σε σαφώς καθορισμένες ομάδες με βάση ευρείες ομοιότητες στα δεδομένα υγείας τους, οι εν λόγω ομάδες δεν αντιστοιχούν πάντοτε στενά στις μελλοντικές αντιδράσεις σε θεραπείες.
«Ο στόχος μας ήταν να αναπτύξουμε μια πλατφόρμα που θα ταξινομεί τους ασθενείς με την ασθένεια-στόχο που λαμβάνουν την ίδια θεραπεία σε ομάδες που μοιράζονται παρόμοια βασικά χαρακτηριστικά και αποτελέσματα κατόπιν της θεραπείας», εξηγούν οι ερευνητές.
Τι έδειξε η έρευνα για την νέα βασισμένη στην AI μέθοδο
Οι ερευνητές συνέβαλαν στην ανάπτυξη της νέας πλατφόρμας μηχανικής μάθησης, «εκπαιδεύοντάς» την με τα αρχεία υγείας 3.225 ασθενών με καρκίνο του πνεύμονα. Κάθε αρχείο ασθενούς περιείχε 104 διαφορετικές μεταβλητές που κάλυπταν στοιχεία όπως αποτελέσματα εξετάσεων αίματος, ιατρικές συνταγές, ιατρικό ιστορικό και στάδιο όγκου.
Σε αυτή την αρχική προσπάθεια, η πλατφόρμα ταξινόμησε τους ασθενείς σε τρεις ομάδες. Στην ομάδα που είχε τον μεγαλύτερο μέσο συνολικό χρόνο επιβίωσης από την έναρξη της θεραπείας, οι περισσότεροι ασθενείς (55,5%) ήταν γυναίκες και τα ποσοστά άλλων διαταραχών, όπως ο διαβήτης και η καρδιακή ανεπάρκεια, ήταν σχετικά χαμηλά.
Αντίθετα, η ομάδα με τη μικρότερη διάρκεια επιβίωσης είχε λιγότερο από το μισό του μέσου χρόνου επιβίωσης της πρώτης ομάδας, αποτελούνταν κυρίως από άνδρες (66,2%) και είχε σχετικά υψηλά ποσοστά μεταστάσεων του όγκου, καθώς και μη φυσιολογικά αποτελέσματα εξετάσεων αίματος που αντανακλούσαν φλεγμονώδη, ηπατικά και νεφρικά προβλήματα.
Η ομάδα εφάρμοσε το εκπαιδευμένο σύστημα μηχανικής μάθησης σε ένα νέο σύνολο δεδομένων που κάλυπτε 1.441 ασθενείς με μη μικροκυτταρικό καρκίνο του πνεύμονα. Σύμφωνα με τους ερευνητές, απέδωσε σχεδόν πανομοιότυπες ομαδοποιήσεις όσον αφορά τα βασικά χαρακτηριστικά και τους χρόνους επιβίωσης.
