Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR

1. Enunciazione del Problema

Lo screening oncologico affronta un collo di bottiglia critico: i metodi tradizionali sono costosi, laboriosi e difficili da scalare a livello di popolazione. Sebbene l'intelligenza artificiale (AI) abbia dimostrato promesse nella rilevazione del cancro, la maggior parte dei sistemi esistenti si basa su dati specializzati (genetica, biomarcatori, sondaggi sullo stile di vita) o infrastrutture complesse (imaging, elaborazione del linguaggio naturale), rendendoli poco pratici per un'implementazione diffusa nei sistemi sanitari pubblici con risorse limitate.

Esiste un divario significativo tra i progressi teorici dell'AI e l'utilità clinica. Le soluzioni esistenti spesso non riescono a sfruttare efficacemente le cartelle cliniche elettroniche (EHR) di routine per la stratificazione del rischio su scala di popolazione senza richiedere la raccolta di dati oltre i codici standard dei servizi medici (ICD-10) e le storie delle visite. La sfida consiste nel creare un sistema che sia:

• A basso costo: Non richiede hardware specializzato o biomarcatori.
• Scalabile: Capace di elaborare milioni di pazienti.
• Agnostico rispetto ai dati: Funziona con dati EHR standard disponibili in quasi qualsiasi clinica.

2. Metodologia: Il Framework Can-SAVE

Can-SAVE è un sistema AI leggero progettato per classificare i rischi oncologici su scala di popolazione basandosi esclusivamente su eventi di storia medica di routine (diagnosi e codici di servizio). L'innovazione centrale risiede nell'integrazione degli output dell'Analisi di Sopravvivenza in un framework di Gradient Boosting.

A. Formulazione del Problema

Il compito è inquadrato come un problema di classificazione binaria con vincoli temporali:

• Input: L'EHR di un paziente ($Q_i$) contenente eventi medici ordinati cronologicamente (codici ICD-10, codici di servizio, date).
• Obiettivo: Prevedere se una diagnosi di cancro (ICD-10 C00-C97) si verificherà entro i prossimi 12 mesi ($t_{pred}$ a $t_{pred} + 12M$).
• Scopo: Massimizzare la classificazione dei pazienti ad alto rischio per dare priorità alle risorse di screening limitate.

B. La Pipeline a Tre Stadi

1. Ingegneria delle Caratteristiche:

   • Genera oltre 700 caratteristiche candidate dai dati EHR grezzi.
   • Le categorie includono: Socio-demografia (età, sesso), Pattern temporali (frequenza delle visite, stagionalità), Utilizzo clinico (rapporti diagnosi-servizio) e Frequenze di eventi medici (conteggi per gruppo ICD-10).

2. Costruzione delle Caratteristiche di Sopravvivenza (La Novità):

   • Invece di utilizzare direttamente i dati EHR grezzi per la modellazione di sopravvivenza, il sistema estrae statistiche di sopravvivenza a livello di popolazione e personalizzate da utilizzare come caratteristiche per il classificatore finale.
   • Livello di Popolazione: Utilizza gli stimatori di Kaplan-Meier per calcolare le probabilità di sopravvivenza complessive ($\hat{S}_{KM}$) e le probabilità di sopravvivenza stratificate per sesso. Calcola anche i "gradienti di rischio" (la variazione della probabilità di sopravvivenza tra l'età $t$ e $t+1$).
   • Personalizzato: Utilizza un modello Accelerated Failure Time (AFT) per generare traiettorie di sopravvivenza specifiche per l'individuo e gradienti di rischio basati sulla storia specifica delle covariate del paziente.

3. Integrazione con Gradient Boosting:

   • Gli output dai modelli di sopravvivenza (probabilità e gradienti) vengono concatenati con le caratteristiche ML standard.
   • Un modello CatBoost (Macchina di Gradient Boosting) viene addestrato su questo set di caratteristiche esteso per prevedere $P(\text{Cancro} | \text{EHR})$.
   • Razionale: Gli output di sopravvivenza agiscono come regolarizzatore, iniettando conoscenze pregresse della popolazione nel modello per migliorare la generalizzazione e gestire il compromesso bias-varianza.

C. Baseline

Gli autori hanno confrontato Can-SAVE con 17 baseline, tra cui:

• ML Classico (Regressione Logistica, Random Forest, GBM).
• Modelli di Sopravvivenza Puri (AFT, Random Survival Forest, DeepHit).
• Deep Learning (RNN, Transformer come BERT/Longformer).
• Approcci basati su LLM (LLM fine-tuned, modelli basati su embedding, Riassunto tramite LLM).

3. Contributi Chiave

1. Architettura Innovativa: Ha dimostrato che combinare variabili di analisi di sopravvivenza con gradient boosting supera significativamente sia i modelli di sopravvivenza autonomi che gli approcci complessi di deep learning/LLM per la classificazione del rischio oncologico utilizzando solo EHR di routine.
2. Validazione Reale Massiva: Ha validato il sistema su un dataset di 2,5 milioni di adulti in cinque regioni russe, rappresentando una delle più grandi implementazioni reali di valutazione del rischio oncologico guidata dall'AI.
3. Pilot Clinico Prospettico: Ha condotto uno studio prospettico di 12 mesi supervisionato da oncologi coinvolgendo 426.000 pazienti, andando oltre l'analisi retrospettiva per misurare l'impatto clinico reale.
4. Scalabilità ed Efficienza: Ha dimostrato che il sistema può elaborare una popolazione a livello cittadino (1 milione di pazienti) in meno di 3 ore su hardware standard, senza richiedere nuova raccolta dati o infrastrutture specializzate.

4. Risultati Sperimentali

A. Performance Retrospettiva (Esperimenti Numerici)

• Dataset: 175.441 pazienti (2017–2021).
• Metrica: La Precisione Media (AP) è stata privilegiata rispetto alla ROC-AUC a causa dello squilibrio estremo delle classi (il cancro è raro).
• Risultati:
  • Can-SAVE: Ha raggiunto AP = 0,228 (il più alto tra tutti i metodi).
  • Migliore Baseline (LLM fine-tuned con LoRA): AP = 0,193.
  • Confronto: Can-SAVE ha superato la migliore baseline LLM di circa il 18% in AP e ha superato tutti gli altri metodi classici e di deep learning.
  • Studio di Ablazione: Ha confermato che la fusione di GBM e caratteristiche di sopravvivenza è critica; GBM autonomo (AP 0,160) e AFT autonomo (AP 0,117) erano significativamente più deboli.

B. Studio Retrospettivo Supervisionato da Oncologi

• Ambito: 1,9 milioni di pazienti in 5 regioni.
• Risultato: Quando si esaminavano i 1.000 pazienti ad alto rischio identificati da Can-SAVE, il sistema ha rilevato 41–90 tumori per 1.000, rispetto ai 9–15 per 1.000 con i protocolli di screening tradizionali.
• Miglioramento: Un aumento di 4,1 volte a 10,0 volte nel tasso di rilevamento a volumi di screening identici.

C. Pilot Prospettico (Implementazione nel Mondo Reale)

• Ambito: 426.210 pazienti in 12 mesi.
• Confronto: Can-SAVE (Test) vs Screening Nazionale Standard (Controllo).
• Risultati Chiave:
  • Tasso di Rilevamento: Can-SAVE ha rilevato 2.148 tumori contro 1.123 nel gruppo di controllo.
  • Efficienza: Un aumento del 91% nel tasso di rilevamento dei tumori con la stessa capacità clinica.
  • Copertura: Can-SAVE ha identificato il 75,4% di tutti i tumori rilevati nella regione quell'anno, rispetto al 39,4% per lo screening tradizionale (un'espansione di +36 punti percentuali nella copertura).
  • Utilizzo delle Risorse: Non sono stati richiesti nuovi hardware o test costosi; il flusso di lavoro ha modificato solo la priorità degli inviti e un breve questionario sul rischio.

D. Importanza delle Caratteristiche

• Età è stata la caratteristica dominante (20,2% di importanza).
• Output del Modello di Sopravvivenza hanno contribuito per il 39,6% dell'importanza totale, validando l'ipotesi centrale secondo cui i segnali derivati dalla sopravvivenza sono critici per la classificazione.
• Pattern di Visita e Marcatori Clinici (ad esempio, servizi del sistema immunitario, neoplasie benigne) hanno contribuito in modo significativo.

5. Significato e Impatto

• Cambiamento di Paradigma: Can-SAVE dimostra che l'"AI pragmatica" che utilizza dati EHR ubiquitari può superare modelli complessi e affamati di dati (come gli LLM) per lo screening di popolazione.
• Accessibilità: Affidandosi solo a codici ICD-10 standard e alla storia delle visite, il sistema è implementabile in contesti a risorse limitate a livello globale, aggirando la necessità di test genetici o imaging specializzato.
• Utilità Clinica: Il sistema si è integrato con successo nei flussi di lavoro sanitari pubblici esistenti, dimostrando che l'AI può migliorare direttamente i tassi di rilevamento precoce e salvare vite senza interrompere le operazioni cliniche.
• Scalabilità: La capacità del sistema di elaborare milioni di record in ore su server commerciali lo rende una soluzione praticabile per l'implementazione di politiche sanitarie a livello nazionale.

In conclusione, Can-SAVE offre un framework riproducibile ed economicamente vantaggioso per la prevenzione del cancro su scala di popolazione, colmando il divario tra la scienza dei dati avanzata e i vincoli reali della sanità pubblica.