– Las herramientas de aprendizaje automático pueden pronosticar con precisión un evento de hospitalización no planificado durante la quimiorradioterapia (CRT) simultánea utilizando datos de salud generados por el paciente a partir de dispositivos portátiles, según un estudiar publicado recientemente en Oncología JAMA.
El equipo de investigación indicó que los efectos tóxicos de la TRC pueden provocar interrupciones del tratamiento y hospitalizaciones. Esto, a su vez, puede provocar un aumento de los costes sanitarios y una reducción de la eficacia del tratamiento.
Los investigadores señalaron además que los datos del seguimiento de la actividad física tienen el potencial de ayudar a identificar a los pacientes con mayor riesgo de hospitalización que pueden beneficiarse de intervenciones proactivas.
Para evaluar esta hipótesis, el equipo de investigación desarrolló y validó herramientas de aprendizaje automático diseñadas para incorporar recuentos de pasos diarios de los dispositivos portátiles de pacientes con cáncer sometidos a TRC y que participan en ensayos clínicos prospectivos.
El análisis extrajo datos de 214 pacientes que recibieron TRC para una variedad de cánceres que se inscribieron en tres ensayos prospectivos de una sola institución sobre monitoreo de actividad a través de dispositivos portátiles desde junio de 2015 hasta agosto de 2018.
Los pacientes de la cohorte fueron seguidos durante la TRC y 1 mes después del tratamiento.
Se generaron cohortes para el entrenamiento y la validación del modelo temporalmente, estratificando a los pacientes según el diagnóstico de cáncer, de modo que el 70 por ciento de los participantes estuvieran en la muestra de entrenamiento y el 30 por ciento restante estuviera en la muestra de validación.
Utilizando estos datos, el equipo de investigación entrenó modelos de regresión logística (EN) de bosque aleatorio, red neuronal y red elástica regularizada para predecir el riesgo de hospitalización a corto plazo utilizando una combinación de datos de actividad generados por el paciente e información clínica.
Para evaluar eficazmente el papel de los datos portátiles y el recuento de pasos en las predicciones, los investigadores entrenaron algunas herramientas basadas únicamente en funciones de monitoreo de actividad y otras solo en características clínicas. El rendimiento de cada modelo se midió en términos del área bajo la curva característica operativa del receptor (ROC AUC).
El modelo EN que incorporó información clínica y recuento de pasos demostró el rendimiento más alto con un AUC ROC de 0,83 en comparación con los enfoques de bosque aleatorio y red neuronal, que lograron AUC ROC de 0,76 y 0,80, respectivamente.
En el estudio de ablación, que eliminó el recuento de pasos o las características clínicas para comprender mejor el impacto de cada uno, los investigadores encontraron que el modelo EN basado únicamente en el recuento de pasos mostró un mayor rendimiento predictivo que el modelo EN que utilizaba tanto las características clínicas como el recuento de pasos. El modelo de solo recuento de pasos logró un ROC AUC de 0,85, superando significativamente al EN de características clínicas únicamente, que alcanzó un ROC AUC de 0,53.
Estos hallazgos llevaron al equipo de investigación a concluir que los datos de salud generados por los pacientes pueden ser valiosos, ya que mejoran las capacidades predictivas de los modelos de aprendizaje automático para pronosticar el riesgo de hospitalizaciones no planificadas durante la TRC.
En el futuro, el modelo EN basado en el recuento de pasos y las características clínicas se evaluará en un próximo ensayo aleatorio de grupo cooperativo multiinstitucional para validar aún más los hallazgos del estudio.
Esta investigación es un ejemplo de cómo el aprendizaje automático y otros enfoques pueden ayudar a avanzar en la atención del cáncer.
En marzo, investigadores de la Facultad de Medicina de la Universidad de Washington en St. Louis compartieron que habían desarrollado un enfoque de predicción basado en el aprendizaje profundo para señalar qué pacientes con cáncer de pulmón de células no pequeñas (CPCNP) tenían probabilidades de experimentar metástasis cerebral.
Las metástasis cerebrales ocurren en un número significativo de pacientes con NSCLC, pero actualmente no existen métodos confiables para identificar a los pacientes de alto riesgo.
Para cerrar esta brecha de investigación, el equipo construyó un modelo basado en aprendizaje profundo para predecir el riesgo de metástasis cerebral utilizando imágenes de biopsia de pulmón. El enfoque pudo detectar características anormales dentro de una imagen de biopsia significativamente mejor que los médicos.