Alat veštačke inteligencije uspešno je identifikovao ljude sa najvećim rizikom od raka pankreasa do tri godine pre dijagnoze koristeći isključivo medicinsku dokumentaciju pacijenata, prema novom istraživanju koje su vodili istraživači sa Harvardske medicinske škole i Univerziteta u Kopenhagenu, u saradnji sa VA. Bostonski zdravstveni sistem, Dana-Farber Institut za rak i Harvard T.H. Chan škola javnog zdravlja.
Nalazi, objavljeni 8. maja u Nature Medicine, sugerišu da bi skrining populacije zasnovan na AI mogao biti dragocen u pronalaženju onih sa povećanim rizikom od bolesti i mogao bi ubrzati dijagnozu stanja koje se prečesto nalazi u uznapredovalim stadijumima kada je lečenje manje efikasno i rezultati su tužni, rekli su istraživači. Rak pankreasa je jedan od najsmrtonosnijih karcinoma na svetu, a predviđa se da će se njegov broj povećati.
Trenutno ne postoje alati zasnovani na populaciji za široki pregled raka pankreasa. Oni sa porodičnom istorijom i određenim genetskim mutacijama koje ih predisponiraju za rak pankreasa se ciljano pregledaju. Ali takvi ciljani skriningi mogu propustiti druge slučajeve koji ne spadaju u te kategorije, rekli su istraživači.
„Jedna od najvažnijih odluka sa kojima se kliničari iz dana u dan suočavaju je ko je u visokom riziku od bolesti i kome bi koristilo dalje testiranje, što može značiti i invazivnije i skuplje procedure koje nose sopstvene rizike“, kaže ko – viši istraživač Chris Sander, član fakulteta na Odeljenju za sistemsku biologiju na Institutu Blavatnik u HMS. „Alatka veštačke inteligencije koja može da se fokusira na one sa najvećim rizikom od raka pankreasa koji imaju najviše koristi od daljih testova mogao bi da ide dug put ka poboljšanju kliničkog donošenja odluka.
Primenjen u velikim razmerama, dodao je Sander, takav pristup bi mogao ubrzati otkrivanje raka pankreasa, dovesti do ranijeg lečenja i poboljšati ishode i produžiti životni vek pacijenata.
„Mnogi tipovi karcinoma, posebno oni koje je teško identifikovati i lečiti rano, imaju neproporcionalan danak na pacijente, porodice i zdravstveni sistem u celini“, rekao je ko-stariji istraživač Søren Brunak, profesor biologije sistema bolesti i direktor istraživanja. u Centru za istraživanje proteina Novo Nordisk fondacije na Univerzitetu u Kopenhagenu. „Skrining zasnovan na veštačkoj inteligenciji je prilika da se promeni putanja raka pankreasa, agresivne bolesti koju je ozloglašeno teško rano dijagnostikovati i odmah lečiti kada su šanse za uspeh najveće.
U novoj studiji, AI algoritam je obučen na dva odvojena skupa podataka koji ukupno čine 9 miliona zapisa pacijenata iz Danske i Sjedinjenih Država. Istraživači su „zamolili“ AI model da traži izdajničke znakove na osnovu podataka sadržanih u zapisima. Na osnovu kombinacija kodova bolesti i vremena njihovog pojavljivanja, model je bio u stanju da predvidi koji pacijenti će verovatno razviti rak pankreasa u budućnosti. Značajno je da mnogi simptomi i kodovi bolesti nisu bili direktno povezani sa pankreasom ili potiču iz njega.
Istraživači su testirali različite verzije AI modela za njihovu sposobnost da otkriju ljude sa povećanim rizikom za razvoj bolesti u različitim vremenskim skalama – 6 meseci, godinu dana, dve godine i tri godine.
Sve u svemu, svaka verzija algoritma veštačke inteligencije bila je znatno tačnija u predviđanju ko će razviti rak pankreasa od trenutnih procena incidencije bolesti za celu populaciju – definisanih kao koliko često se stanje razvija u populaciji tokom određenog vremenskog perioda. Istraživači su rekli da veruju da je model barem toliko tačan u predviđanju pojave bolesti kao i trenutni testovi genetskog sekvenciranja koji su obično dostupni samo za malu podgrupu pacijenata u skupovima podataka.
Skrining za određene uobičajene karcinome kao što su rak dojke, grlića materice i prostate oslanja se na relativno jednostavne i veoma efikasne tehnike – mamografiju, Papa bris i test krvi, respektivno. Ove metode skrininga su transformisale ishode za ove bolesti tako što su obezbedile rano otkrivanje i intervenciju u fazama koje se najviše leče.
Poređenja radi, rak pankreasa je teži i skuplji za skrining i testiranje. Lekari uglavnom gledaju na porodičnu istoriju i prisustvo genetskih mutacija, koje, iako su važni pokazatelji budućeg rizika, često propuštaju mnoge pacijente. Jedna posebna prednost AI alata je to što se može koristiti na svim pacijentima za koje su dostupni zdravstveni kartoni i medicinska istorija, a ne samo kod onih sa poznatom porodičnom istorijom ili genetskom predispozicijom za bolest.
Ovo je posebno važno, dodaju istraživači, jer mnogi pacijenti sa visokim rizikom možda nisu ni svesni svoje genetske predispozicije ili porodične istorije.
U odsustvu simptoma i bez jasnih indikacija da je neko u visokom riziku od raka pankreasa, kliničari mogu biti razumljivo oprezni da preporuče sofisticiranija i skuplja testiranja, kao što su CT skeniranje, MRI ili endoskopski ultrazvuk. Kada se koriste ovi testovi i kada se otkriju sumnjive lezije, pacijent mora da se podvrgne proceduri za dobijanje biopsije. Pozicioniran duboko u abdomenu, organ je teško dostupan i lako se provocira i upali. Njegova razdražljivost donela mu je nadimak „besni organ“.
Alat veštačke inteligencije koji identifikuje one sa najvećim rizikom od raka pankreasa obezbedio bi da kliničari testiraju pravu populaciju, dok bi druge poštedeli nepotrebnog testiranja i dodatnih procedura, rekli su istraživači.
Oko 44 odsto ljudi kojima je dijagnostikovan u ranim stadijumima raka pankreasa preživi pet godina nakon dijagnoze, ali samo 12 odsto slučajeva se dijagnostikuje tako rano. Stopa preživljavanja pada na 2 do 9 procenata kod onih čiji su tumori narasli izvan mesta porekla, procenjuju istraživači.
„Ta niska stopa preživljavanja je uprkos značajnom napretku u hirurškim tehnikama, hemoterapiji i imunoterapiji“, rekao je Sander. „Dakle, pored sofisticiranih tretmana, postoji jasna potreba za boljim skriningom, ciljanijim testiranjem i ranijom dijagnozom, i tu dolazi pristup zasnovan na AI kao prvi kritični korak u ovom kontinuumu.“
Za trenutnu studiju, istraživači su dizajnirali nekoliko verzija AI modela i obučili ih o zdravstvenim kartonima 6,2 miliona pacijenata iz nacionalnog zdravstvenog sistema Danske u periodu od 41 godine. Od tih pacijenata, 23.985 je razvilo rak pankreasa tokom vremena. Tokom obuke, algoritam je uočio obrasce koji ukazuju na budući rizik od raka pankreasa na osnovu putanja bolesti, odnosno da li je pacijent imao određena stanja koja su se javljala u određenom nizu tokom vremena.
Na primer, dijagnoze kao što su kamen u žuči, anemija, dijabetes tipa 2 i drugi problemi u vezi sa GI su predstavljali veći rizik od raka pankreasa u roku od 3 godine od procene. Manje iznenađujuće je da je upala pankreasa snažno predviđala budući rak pankreasa u još kraćem vremenskom periodu od dve godine.
Istraživači upozoravaju da nijedna od ovih dijagnoza sama po sebi ne bi trebalo da se smatra indikativnom ili uzročnikom budućeg raka pankreasa. Međutim, obrazac i redosled u kome se javljaju tokom vremena daju naznake za model nadzora zasnovanog na veštačkoj inteligenciji i mogu da podstaknu lekare da pažljivije prate one sa povećanim rizikom ili testiraju u skladu sa tim.
Zatim su istraživači testirali algoritam sa najboljim učinkom na potpuno novom setu kartona pacijenata sa kojim se ranije nisu susreli – skupu podataka Uprave za zdravstvo veterana SAD od skoro 3 miliona zapisa koji obuhvataju 21 godinu i koji sadrže 3.864 osobe sa dijagnozom raka pankreasa. Tačnost predviđanja alata bila je nešto niža u odnosu na skup podataka u SAD.
Ovo je najverovatnije zato što je američki skup podataka prikupljen u kraćem vremenskom periodu i sadržao je nešto drugačije profile populacije pacijenata — celokupnu populaciju Danske u danskom skupu podataka u odnosu na sadašnje i bivše vojno osoblje u skupu podataka za pitanja veterana. Kada je algoritam ponovo obučen od nule na američkom skupu podataka, poboljšala se njegova preciznost predviđanja.
Ovo, kažu istraživači, naglašava dve važne tačke: prvo, obezbeđivanje da se modeli veštačke inteligencije obučavaju na visokokvalitetnim i bogatim podacima. Drugo, potreba za pristupom velikim reprezentativnim skupovima podataka kliničkih zapisa agregiranih na nacionalnom i međunarodnom nivou. U nedostatku takvih globalno validnih modela, AI modeli bi trebalo da budu obučeni na osnovu lokalnih zdravstvenih podataka kako bi se osiguralo da njihova obuka odražava idiosinkrazije lokalnog stanovništva.
