Обзор исследования
Исследование «Machine Learning-Based Prediction of Clinical Outcomes in Patients With Cancer Receiving Systemic Treatment Using Step Count Data Measured With Smartphones» направлено на изучение возможности предсказания неблагоприятных клинических событий у пациентов, получающих системное лечение рака, на основе данных о количестве шагов, собранных с помощью смартфонов. Целью исследования было выяснить, могут ли изменения в количестве шагов предсказывать такие события в течение недели.
Методы и результаты
В исследовании приняло участие 76 пациентов с различными видами рака, которые получали системное лечение. Физическая активность отслеживалась в течение 90 дней, и данные о количестве шагов собирались с помощью смартфонов. Неблагоприятные события, такие как неплановые госпитализации и изменения в лечении, извлекались из медицинских записей. Для предсказания этих событий использовались модели машинного обучения, включая эластичную сеть, случайный лес и нейронные сети.
Из 76 пациентов 11 (14%) были госпитализированы в течение исследуемого периода. Модели предсказали неплановые госпитализации с высокой точностью, например, случайный лес показал AUC 0.88, что указывает на хорошую предсказательную способность. Однако модели не смогли предсказать изменения в лечении.
Важность результатов
Эти результаты имеют большое значение для врачей и клиник, поскольку позволяют заранее выявлять пациентов, которым может потребоваться дополнительное внимание и лечение. Это может привести к более эффективному управлению токсичностью и улучшению качества ухода за пациентами.
Текущие исследования
В последнее время наблюдается рост интереса к применению машинного обучения в медицине, особенно в онкологии. Сравнивая результаты данного исследования с другими работами, можно отметить, что большинство из них фокусируются на использовании традиционных клинических данных. Уникальность текущего исследования заключается в использовании данных о физической активности, что открывает новые горизонты для предсказания клинических исходов.
Изменение клинической практики
Результаты исследования могут изменить клиническую практику, направив внимание врачей на активное мониторинг физической активности пациентов. Внедрение технологий, таких как мобильные приложения для отслеживания шагов, может значительно улучшить качество ухода за пациентами. Искусственный интеллект может помочь в автоматизации анализа данных и разработке индивидуализированных стратегий лечения.
Врачам рекомендуется интегрировать данные о физической активности в свою практику, что может помочь в более раннем выявлении неблагоприятных событий. Возможные барьеры включают недостаток технической подготовки и нежелание пациентов использовать технологии. Эти барьеры можно преодолеть через обучение и поддержку со стороны медицинских работников.
Часто задаваемые вопросы
- Как исследование использует данные о шагах? Данные о шагах используются для предсказания неплановых госпитализаций у пациентов.
- Можно ли использовать другие устройства для отслеживания активности? Да, любые устройства, которые могут отслеживать физическую активность, могут быть полезны.
- Как результаты исследования могут помочь пациентам? Ранняя идентификация рисков может привести к своевременному вмешательству и улучшению ухода.
- Какие технологии могут быть задействованы для мониторинга? Смартфоны, фитнес-браслеты и умные часы могут использоваться для сбора данных о физической активности.
- Каковы перспективы дальнейших исследований в этой области? Перспективы включают более глубокое изучение взаимосвязи между физической активностью и клиническими исходами с использованием ИИ.
Итоги и перспективы
Исследование подчеркивает важность использования технологий для улучшения ухода за пациентами с раком. Применение машинного обучения и данных о физической активности может значительно повысить точность предсказаний неблагоприятных событий. Дальнейшие исследования могут сосредоточиться на более широком применении ИИ для анализа данных и разработки новых методов лечения.
Ссылка на полное исследование: Machine Learning-Based Prediction of Clinical Outcomes in Patients With Cancer.
