Искусственный интеллект предскажет побочные эффекты лучевой терапии при раке головы и шеи

Звоните +7 495 204 2313 или
Обратитесь онлайн
Медицинский консультант расскажет о всех аспектах лечения за рубежом
8 декабря 2019

Впервые компьютерная модель высокой сложности точно предсказала риск двух самых тяжелых побочных эффектов, связанных с радиотерапией при раке головы и шеи. Этот метод, относящийся к так называемой прецизионной, или персонализированной онкологии, способен с высокой точностью определять пациентов, которым понадобится раннее врачебное вмешательство, что позволит предотвратить у них значительную потерю веса и снизить потребность в установке зонда для искусственного кормления после лечения. Результаты соответствующего исследования были представлены на ежегодном собрании Американского общества радиационной онкологии.

«Раньше было крайне сложно предсказать, у кого из пациентов проявятся такие побочные реакции, – говорит ведущий автор исследования Джей Редди, доцент кафедры радиационной онкологии Онкологического центра им. М. Д. Андерсона Техасского университета. – Теперь у нас есть такая возможность благодаря надежной модели машинного обучения, использующей большой объем внутренних данных».

Машинное обучение является ответвлением искусственного интеллекта, которое использует статистические модели для анализа больших объемов данных, выявляя закономерности, которые могут спрогнозировать результаты с высокой степенью точности. Индустрия высоких технологий давно использует его для распознавания речи и лица, фильтрации спама и целевой рекламы. И вот недавно машинное обучение привлекло внимание медиков-исследователей, стремящихся перевести большие объемы данных в знания, которые могут помочь врачам в принятии клинических решений.

Доктор Редди и его команда разработали модели для анализа больших массивов данных, объединенных из трех источников: электронных медицинских карт, внутреннего приложения для построения диаграмм и информационной системы Mosaiq, предназначенной для управления архивом изображений и другими данными пациентов, полученными при использовании современных методов визуализации. Эти данные включали более 700 клинических показателей для пациентов с опухолями головы и шеи (среди которых было 75% мужчин и 25% женщин, средний возраст 62 года), прошедших более 2000 курсов радиационной терапии со средней дозой радиации 60 Гр в онкологическом центре им. М. Д. Андерсона в период с 2016 по 2018 год.

Исследователи использовали созданные ими модели для предсказания трех возможных последствий лучевого лечения: значительной потери массы тела, необходимости установки зонда для питания и внеплановых госпитализаций. Затем они проверили результаты самой эффективной модели на результатах 225 последовательно проведенных курсах лучевой терапии. Модели с показателями эффективности, которые соответствовали предварительно заданному порогу 0,7 и выше, были признаны клинически достоверными.

Только в США диагноз «рак головы и шеи» ежегодно ставят почти 53 000 человек. К этому типу онкологии относят злокачественные опухоли ротовой полости (включая язык, подъязычную область, небо, десны, слизистую оболочку губ и щек), полости носа, носоглотки и околоносовых пазух, гортани, глотки, трахей, пищевода и слюнных желез. Мужчин они поражают в два раза чаще, чем женщин, и в основном возникают в пожилом возрасте (средний возраст диагностирования 62 года).

Лечение опухолей головы и шеи, выявленных на ранних стадиях, обычно заключается в проведении лучевой терапии или хирургического вмешательства. На поздних стадиях этот тип рака лечится комбинацией радиационной и химиотерапии. В некоторых случаях сначала проводят хирургическое удаление опухоли, а затем курс лучевой терапии или ее комбинацию с химиотерапией.

Радиационная терапия, как правило, дает хорошие результаты в лечении опухолей головы и шеи, замедляя или останавливая рост новых раковых клеток. Однако она также может повредить ткани полости рта и нарушить баланс бактерий во рту, спровоцировав многие побочные эффекты, включая боль в горле, язвы в ротовой полости, утрату вкусовой чувствительности и сухость во рту. При сильном воспалении и болях в голе пациенту может быть трудно принимать пищу, что может привести к потере веса и временной установке зонда для искусственного кормления. Практически все пациенты с раком головы и шеи испытывают те или иные негативные последствия лечения.

«Возможность определить, какие пациенты подвержены наибольшему риску осложнений, позволила бы лучевым терапевтам принять меры для предотвращения или смягчения возможных побочных эффектов», – говорит доктор Редди. – При промежуточном риске, если пациент может пройти лечение, не нуждаясь впоследствии в питающей трубке, мы могли бы заранее провести профилактические мероприятия, например, отправить его к диетологу и обеспечить пищевыми добавками. Если мы знаем, что пациенту с высокой (более 50%) долей вероятности понадобится установка зонда, мы могли бы поставить его заранее, чтобы потом не пришлось еще раз госпитализировать человека после лечения. Кроме того, мы бы усилили наблюдение за такими пациентами».

Все отобранные модели предсказывали вероятность сильной потери веса и необходимости размещения зонда для питания с высокой точностью. «Во всех случаях модели машинного обучения, использованные в этом исследовании, отлично справились с задачей прогнозирования этих двух негативных последствий радиотерапии, – отметил доктор Редди. – Мы можем запустить эту модель и на выходе получить число, которое скажет нам: проявится у этого пациента конкретный неблагоприятный эффект или нет».

Например, врачи могут ввести в алгоритм информацию, касающуюся конкретного пациента – такую как пол, возраст, тип рака и другие показатели, – и он выдаст: «80% людей с похожим клиническим профилем проходят лечение без необходимости установки питающей трубки». «Может, это и не идеально, но лучше иметь хотя бы такую информацию, чем вообще никакой», – заключает доктор.

Результаты используемой модели в прогнозировании риска внеплановых госпитализаций после лечения были не такими впечатляющими. По словам ученых, они намерены заново провести анализ после дополнительного «обучения» алгоритма новым данным относительно внеплановых госпитализаций, что должно повысить точность его прогнозов. «По мере увеличения числа пациентов, прошедших лечение, будет увеличиваться и общий объем выборки, поэтому результат с каждым разом также будет улучшаться. Возможно, на момент исследования у нас просто не было достаточного количества информации, касающегося этого негативного последствия», – отмечает доктор Редди.

«И хотя машинное обучение не позволяет выделить единственный самый важный прогностический фактор или комбинацию факторов, ведущих к неблагоприятным реакциям, оно может дать пациентам и их врачам лучшее понимание того, чего стоит ждать от курса лечения, – поясняет ученый. – Помимо прогнозирования вероятности побочных эффектов, модели машинного обучения могут потенциально предсказывать, какие схемы лечения будут наиболее эффективными для разных типов пациентов, и тем самым создать возможность для более персонализированного подхода к радиотерапии».

По словам ученых, машинное обучение может сделать работу врачей более результативной, а лечение – более безопасным за счет сокращения риска ошибок. «Сегодня оно потенциально способно влиять на все аспекты радиационной онкологии», – заключает доктор Редди.
Вопросы и ответы

Ни одного вопроса не задано

Задать вопрос

Продолжая использовать данный сайт, Вы принимаете наши правила использования cookie-файлов.

Принимаю