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

1. Probleemstelling

Kanker-screening staat voor een kritieke knelpunt: traditionele methoden zijn kostbaar, arbeidsintensief en moeilijk te schalen naar populatieniveau. Hoewel AI veelbelovend heeft getoond in kankerdetectie, vertrouwen de meeste bestaande systemen op gespecialiseerde data (genetica, biomarkers, levensstijlen enquêtes) of complexe infrastructuur (beeldvorming, NLP), waardoor ze onpraktisch zijn voor wijdverbreide implementatie in publieke zorgsystemen met beperkte middelen.

Er is een aanzienlijke kloof tussen theoretische AI-vooruitgang en klinische bruikbaarheid. Bestaande oplossingen slagen er vaak niet in om routinematige Elektronische Gezondheidsdossiers (EHR) effectief te benutten voor populatiebrede risicostratificatie zonder dat er datacollectie nodig is die verder gaat dan standaard medische servicecodes (ICD-10) en bezoekgeschiedenissen. De uitdaging is om een systeem te creëren dat:

• Kostenefficiënt is: Geen gespecialiseerde hardware of biomarkers vereist.
• Schaalbaar is: In staat is om miljoenen patiënten te verwerken.
• Data-agnostisch is: Werkt met standaard EHR-data die in bijna elke kliniek beschikbaar is.

2. Methodologie: Het Can-SAVE Kader

Can-SAVE is een lichtgewicht AI-systeem dat is ontworpen om populatiebrede kankerrisico's te rangschikken uitsluitend op basis van routinematige medische geschiedenisgebeurtenissen (diagnoses en servicecodes). De kerninnovatie ligt in het integreren van Survival Analysis-output in een Gradient Boosting-kader.

A. Probleemformulering

De taak wordt geformuleerd als een binaire classificatieprobleem met temporele beperkingen:

• Input: Het EHR van een patiënt ($Q_i$) met chronologisch geordende medische gebeurtenissen (ICD-10-codes, servicecodes, datums).
• Doel: Voorspellen of een kankerdiagnose (ICD-10 C00-C97) zal optreden binnen de volgende 12 maanden ($t_{pred}$ tot $t_{pred} + 12M$).
• Doelstelling: Het rangschikken van hoog-risico patiënten maximaliseren om beperkte screeningsmiddelen te prioriteren.

B. Het Drie-Fasen Kader

1. Feature Engineering:

   • Genereert >700 kandidaat-features uit ruwe EHR-data.
   • Categorieën omvatten: Socio-demografie (leeftijd, geslacht), Temporele patronen (bezoekfrequentie, seizoensgebondenheid), Klinisch gebruik (ratio's diagnose-tot-service) en Frequenties van medische gebeurtenissen (aantallen per ICD-10-groep).

2. Constructie van Survival Features (De Noviteit):

   • In plaats van ruwe EHR-data direct te gebruiken voor survival-modellering, extrahert het systeem populatie-niveau en gepersonaliseerde survival-statistieken om te dienen als features voor de uiteindelijke classifier.
   • Populatie-niveau: Gebruikt Kaplan-Meier-schatters om algehele overlevingskansen ($\hat{S}_{KM}$) en geslachtsgespecificeerde overlevingskansen te berekenen. Het berekent ook "risicogradienten" (de verandering in overlevingskans tussen leeftijd $t$ en $t+1$).
   • Gepersonaliseerd: Gebruikt een Accelerated Failure Time (AFT)-model om individueel specifieke overlevingstrajecten en risicogradienten te genereren op basis van de specifieke covariaten-geschiedenis van de patiënt.

3. Integratie van Gradient Boosting:

   • De output van de survival-modellen (kansen en gradienten) wordt samengevoegd met de standaard ML-features.
   • Een CatBoost-model (Gradient Boosting Machine) wordt getraind op deze uitgebreide feature-set om $P(\text{Kanker} | \text{EHR})$ te voorspellen.
   • Redenering: Survival-output fungeert als een regularisator, injecteert voorafgaande populatiekennis in het model om generalisatie te verbeteren en de bias-variance trade-off aan te pakken.

C. Baselines

De auteurs vergeleken Can-SAVE met 17 baselines, waaronder:

• Klassieke ML (Logistische Regressie, Random Forest, GBM).
• Pure Survival-modellen (AFT, Random Survival Forest, DeepHit).
• Deep Learning (RNN's, Transformers zoals BERT/Longformer).
• LLM-gebaseerde benaderingen (Fine-tuned LLM's, op embedding gebaseerde modellen, LLM-samenvatting).

3. Belangrijkste Bijdragen

1. Novel Architectuur: Aangetoond dat het combineren van survival-analyse variabelen met gradient boosting significant beter presteert dan zowel standalone survival-modellen als complexe deep learning/LLM-benaderingen voor kankerrisico-rangschikking met uitsluitend routinematige EHR.
2. Massale Real-World Validatie: Het systeem gevalideerd op een dataset van 2,5 miljoen volwassenen verspreid over vijf Russische regio's, wat een van de grootste real-world implementaties van door AI gedreven kankerrisico-inschatting vertegenwoordigt.
3. Prospectieve Klinische Pilot: Uitgevoerd een 12-maandse prospectieve studie onder toezicht van oncologen met 426.000 patiënten, verdergaand dan retrospectieve analyse om de daadwerkelijke klinische impact te meten.
4. Schaalbaarheid & Efficiëntie: Aangetoond dat het systeem een stadsbrede populatie (1 miljoen patiënten) in minder dan 3 uur kan verwerken op standaard hardware, zonder dat er nieuwe datacollectie of gespecialiseerde infrastructuur nodig is.

4. Experimentele Resultaten

A. Retrospectieve Prestaties (Numerieke Experimenten)

• Dataset: 175.441 patiënten (2017–2021).
• Maatstaf: Average Precision (AP) had prioriteit boven ROC-AUC vanwege extreme class-imbalance (kanker is zeldzaam).
• Resultaten:
  • Can-SAVE: Bereikte AP = 0,228 (hoogste van alle methoden).
  • Beste Baseline (LoRA-getuned LLM): AP = 0,193.
  • Vergelijking: Can-SAVE presteerde ~18% beter dan de beste LLM-baseline in AP en overtrof alle andere klassieke en deep learning-methoden.
  • Ablatie-studie: Bevestigde dat de fusie van GBM en Survival-features cruciaal is; standalone GBM (AP 0,160) en standalone AFT (AP 0,117) waren significant zwakker.

B. Retrospectieve Studie onder Toezicht van Oncologen

• Scope: 1,9 miljoen patiënten verspreid over 5 regio's.
• Vondst: Bij het screenen van de top 1.000 hoog-risico patiënten geïdentificeerd door Can-SAVE, detecteerde het systeem 41–90 kankers per 1.000, vergeleken met 9–15 per 1.000 met traditionele screeningprotocollen.
• Uplift: Een 4,1x tot 10,0x toename in detectiepercentage bij identieke screeningvolumes.

C. Prospectieve Pilot (Real-World Implementatie)

• Scope: 426.210 patiënten over 12 maanden.
• Vergelijking: Can-SAVE (Test) vs. Nationale Standaard Screening (Controle).
• Belangrijkste Uitkomsten:
  • Detectiepercentage: Can-SAVE detecteerde 2.148 kankers versus 1.123 in de controlegroep.
  • Efficiëntie: Een 91% toename in kankerdetectiepercentage met dezelfde klinische capaciteit.
  • Dekking: Can-SAVE identificeerde 75,4% van alle kankers die dat jaar in de regio werden gedetecteerd, vergeleken met 39,4% voor traditionele screening (een +36 procentpunt uitbreiding in dekking).
  • Resourcegebruik: Er waren geen nieuwe hardware of dure tests vereist; de workflow veranderde alleen de prioritering van uitnodigingen en een korte risicovragenlijst.

D. Feature Belangrijkheid

• Leeftijd was de dominante feature (20,2% belangrijkheid).
• Survival Model Output droeg 39,6% bij aan de totale belangrijkheid, wat de kernhypothese valideert dat afgeleide signalen van survival cruciaal zijn voor rangschikking.
• Bezoekpatronen en Klinische Markers (bijv. diensten voor het immuunsysteem, goedaardige neoplasmata) droegen ook significant bij.

5. Betekenis en Impact

• Paradigmaverschuiving: Can-SAVE bewijst dat "pragmatische AI" met gebruik van alomtegenwoordige EHR-data complexe, data-hongerige modellen (zoals LLM's) kan overtreffen voor populatiescreening.
• Toegankelijkheid: Door uitsluitend te vertrouwen op standaard ICD-10-codes en bezoekgeschiedenis, is het systeem wereldwijd implementeerbaar in settings met beperkte middelen, waarbij de behoefte aan genetische testen of gespecialiseerde beeldvorming wordt omzeild.
• Klinische Bruikbaarheid: Het systeem is succesvol geïntegreerd in bestaande gezondheidszorgwerkstromen, wat aantoont dat AI direct kan bijdragen aan het verbeteren van vroege detectiepercentages en levens kan redden zonder klinische operaties te verstoren.
• Schaalbaarheid: Het vermogen van het systeem om miljoenen records in uren te verwerken op commodity-servers maakt het een levensvatbare oplossing voor implementatie van gezondheidsbeleid op nationaal niveau.

Kortom, Can-SAVE biedt een reproduceerbaar, kosteneffectief kader voor kankerpreventie op populatieniveau, en overbrugt de kloof tussen geavanceerde datawetenschap en real-world beperkingen van de publieke gezondheidszorg.