Платформа искусственного интеллекта определяет, какие пациенты, скорее всего, получат наибольшую пользу от клинического исследования рака
Исследование, проведенное учеными Института онкологии Уиншипа при Университете Эмори и Центра онкологии Абрамсона при Университете Пенсильвании, демонстрирует, что первая в своем роде платформа, использующая искусственный интеллект (ИИ), может помочь врачам и пациентам оценить, может ли и в какой степени конкретный пациент получить пользу от конкретной терапии, тестируемой в ходе клинического испытания.
Эта платформа искусственного интеллекта может помочь в принятии обоснованных решений о лечении , понимании ожидаемых преимуществ новых методов лечения и планировании будущего ухода.
Исследование, опубликованное в журнале Nature Medicine , проводилось под руководством сертифицированного онколога Рави Б. Париха, доктора медицины, магистра общественной практики, медицинского директора отдела общих ресурсов по применению данных и технологий в Институте онкологии им. Уиншипа при Университете Эмори и доцента кафедры гематологии и медицинской онкологии Медицинской школы Университета Эмори, который разрабатывает и интегрирует приложения ИИ для улучшения ухода за онкологическими пациентами .
Соавтором статьи выступил доктор философии Ци Лонг, профессор биостатистики, компьютерных и информационных наук, а также директор-основатель Центра научных данных по раку при Пенсильванском университете и заместитель директора по научным количественным данным Онкологического центра Абрамсона при Медицинском центре Пенсильвании.
Первым автором исследования был доктор медицины Ксавье Оркатт, стажер в лаборатории Париха. Другими авторами исследования были Кан Чен, аспирант, стажирующийся в лаборатории Лонга, и Ронак Мамтани, доцент кафедры медицины в Университете Пенсильвании.
Парих и его коллеги-исследователи разработали TrialTranslator, фреймворк машинного обучения для «перевода» результатов клинических испытаний на реальные популяции. Эмулируя 11 знаковых клинических испытаний рака с использованием реальных данных, они смогли повторить фактические результаты клинических испытаний, что позволило им определить, какие отдельные группы пациентов могут хорошо реагировать на лечение в ходе клинического испытания, а какие — нет.
«Мы надеемся, что эта платформа ИИ станет основой, которая поможет врачам и пациентам решить, можно ли применить результаты клинического исследования к отдельным пациентам», — говорит Парих.
«Более того, это исследование может помочь исследователям выявить подгруппы, в которых новые методы лечения не работают, что послужит стимулом для проведения новых клинических испытаний для этих групп высокого риска».
«Наша работа демонстрирует огромный потенциал использования ИИ/МО для использования мощи обширных, но сложных данных реального мира с целью максимального развития точной медицины», — добавляет Лонг.
Ограниченная обобщаемость результатов испытаний
Парих объясняет, что клинические испытания потенциальных новых методов лечения ограничены, поскольку в них принимают участие менее 10% всех пациентов с раком. Это означает, что клинические испытания часто не представляют всех пациентов с этим видом рака.
«Даже если клиническое исследование показывает, что новая стратегия лечения дает лучшие результаты, чем стандартная медицинская помощь, «есть много пациентов, на которых новое лечение не действует», — говорит Парих.
«Эта структура и наши калькуляторы с открытым исходным кодом позволят пациентам и врачам решать, применимы ли результаты клинических испытаний III фазы к отдельным пациентам с раком», — говорит он, добавляя, что «это исследование предлагает платформу для анализа реальной обобщаемости других рандомизированных испытаний, включая испытания, которые дали отрицательные результаты».
Парих и его коллеги использовали общенациональную базу данных электронных медицинских карт (ЭМК) Flatiron Health для имитации 11 знаковых рандомизированных контролируемых испытаний (исследований, сравнивающих эффекты различных методов лечения путем случайного распределения участников по группам), в которых изучались схемы противораковой терапии, считающиеся стандартом лечения четырех наиболее распространенных в Соединенных Штатах солидных злокачественных новообразований на поздних стадиях: немелкоклеточного рака легких, метастатического рака молочной железы, метастатического рака предстательной железы и метастатического колоректального рака.
Их анализ показал, что у пациентов с фенотипами низкого и среднего риска, которые являются признаками, основанными на машинном обучении и используемыми для оценки исходного прогноза для пациента, время выживания и преимущества, связанные с лечением, были аналогичны тем, которые наблюдались в рандомизированных контролируемых исследованиях.
Напротив, у пациентов с фенотипами высокого риска наблюдалось значительно более низкое время выживания и преимущества в плане выживания, связанные с лечением, по сравнению с рандомизированными контролируемыми исследованиями.
Их результаты показывают, что машинное обучение может идентифицировать группы реальных пациентов, в которых результаты рандомизированных контролируемых испытаний менее обобщаемы. Это означает, добавляют они, что «реальные пациенты, вероятно, имеют более неоднородные прогнозы, чем участники рандомизированных контролируемых испытаний».
Исследовательская группа пришла к выводу, что исследование «предполагает, что прогноз для пациента, а не критерии приемлемости, лучше предсказывает выживаемость и пользу лечения». Они рекомендуют, чтобы перспективные испытания «рассматривали более сложные способы оценки прогноза для пациентов при включении, а не полагались исключительно на строгие критерии приемлемости».
Более того, они ссылаются на рекомендации Американского общества клинической онкологии и Друзей исследований рака о том, что следует приложить усилия для улучшения представительства подгрупп высокого риска в рандомизированных контролируемых исследованиях, «учитывая, что эффекты лечения для этих лиц могут отличаться от других участников».
Что касается роли ИИ в исследованиях, подобных этому, Парих говорит: «Вскоре, при соответствующем контроле и наличии доказательств, появится все больше биомаркеров на основе ИИ, которые смогут анализировать патологию, радиологию или информацию из электронных медицинских карт, чтобы помочь предсказать, будут ли пациенты реагировать на определенные методы лечения, диагностировать рак на более ранней стадии или давать лучшие прогнозы для наших пациентов».