Multimodal artificial intelligence for personalized hepatocellular carcinoma treatment strategy selection

Kankerbehandeling is zelden een eenvoudige keuze tussen twee paden. Voor een patiënt met leverkanker houdt de beslissing over hoe verder te gaan een afweging in tussen de grootte en locatie van een tumor tegenover de kracht van de lever van de patiënt, hun algehele gezondheid en zelfs hun persoonlijke omstandigheden. Artsen moeten een enorme hoeveelheid informatie synthetiseren, van bloedtestcijfers tot de geschreven aantekeningen in een medische geschiedenis, om te beslissen of chirurgie, een gerichte drug of een gelokaliseerde hittebehandeling de beste kans op herstel biedt. Dit proces is complex en leunt vaak op de ervaring van de arts, die al deze uiteenlopende feiten tegelijkertijd in gedachten moet houden om tot het juiste handelingsverleningsbeleid te komen.

Onderzoekers proberen al lang computerprogramma's te bouwen die kunnen helpen bij deze besluitvorming. De meeste bestaande tools kijken echter alleen naar gestructureerde data, zoals leeftijd, laboratoriumresultaten of tumormetingen, en negeren de rijke, beschrijvende tekst die te vinden is in de aantekeningen van artsen en beeldverslagen. Een nieuwe studie van een team in Wuxi, China, pakt dit gat aan door een computermodel te creëren dat zowel de cijfers als de woorden in een patiëntendossier leest en begrijpt. De onderzoekers hebben een systeem ontwikkeld dat deze verschillende soorten informatie combineert om te voorspellen welke van de vijf veelvoorkomende behandelingen een patiënt waarschijnlijk zal ontvangen, met als doel het selectieproces objectiever en uitgebreider te maken.

Het team richtte zich op hepatocellulair carcinoom, de meest voorkomende vorm van primair leverkanker. Ze verzamelden gegevens van 1.043 patiënten die tussen 2017 en 2023 werden behandeld in het Wuxi People's Hospital om hun model te bouwen, en ze testten het op een aparte groep van 55 patiënten uit 2025 om te zien of het standhield in een nieuwe setting. Het computersysteem was ontworpen om naar vier hoofdcategorieën van informatie te kijken: basisdemografie zoals leeftijd en geslacht, laboratoriumresultaten zoals leverenzymwaarden, de medische geschiedenis van de patiënt inclusief eerdere ziekten, en de gedetailleerde tekst uit beeldverslagen die beschrijft wat de scans lieten zien. Cruciaal was dat het model niet alleen zocht naar trefwoorden; het gebruikte een geavanceerde methode om de ongestructureerde tekst van medische narratieven om te zetten in een formaat dat de computer naast de harde cijfers kon analyseren.

Om het systeem te trainen, voedden de onderzoekers het met de gegevens van de eerste groep patiënten samen met de daadwerkelijke behandeling die elke persoon ontving. Het doel was dat de computer de patronen zou leren die ertoe leidden dat artsen voor een specifieke therapie kozen. Het model moest kiezen tussen vijf opties: het verwijderen van de tumor via een open chirurgische ingreep, het verwijderen ervan via een minimaal invasieve laparoscopische benadering, het gebruik van radiofrequente ablatie om de tumor weg te branden, het blokkeren van de bloedtoevoer met een procedure genaamd transarteriële chemo-embolisatie, of het toedienen van chemotherapie. De onderzoekers vergeleken hun nieuwe systeem vervolgens met verschillende andere bekende machine learning-methoden om te zien welke het beste presteerde.

De resultaten lieten zien dat het nieuwe model, dat de auteurs ET-Emb noemen, nauwkeuriger was dan de andere methoden. In de initiële groep patiënten voorspelde het systeem het behandelpad correct met een AUC van 0,84, en het behield een sterke prestatie van 0,77 toen het werd getest op de nieuwe groep van 55 patiënten. Deze consistentie suggereert dat het model de complexiteit van echte medische gegevens kan hanteren zonder zijn effectiviteit te verliezen. De studie onthulde ook dat de tekstgebaseerde informatie niet slechts een kleine toevoeging was; het speelde een belangrijke rol in het succes van het model. Wanneer de onderzoekers analyseerden welke factoren de beslissingen dreven, ontdekten zij dat de geschreven beschrijvingen in medische dossiers en de sociaaleconomische details, zoals de werkstatus, significante voorspellers waren.

Deze bevinding daagt het idee uit dat alleen harde klinische cijfers van belang zijn bij de selectie van de behandeling. De analyse van het model gaf aan dat factoren zoals de werkstatus van een patiënt of de specifieke bewoording in een aantekening van een arts over hun toestand de uiteindelijke behandelkeuze subtiel beïnvloedden, wat de genuanceerde manier weerspiegelt waarop menselijke artsen de hele persoon overwegen. Zo identificeerde het systeem dat bepaalde bloedgroepen en de aanwezigheid van aandoeningen zoals hoge bloeddruk of diabetes gekoppeld waren aan specifieke behandeladviezen, wat overeenkomt met bekende medische risico's. De inclusie van tekstgegevens stelde het model in staat om deze subtiliteiten te vangen die puur numerieke modellen vaak missen.

De onderzoekers erkennen dat hun werk beperkingen heeft. Het model is getraind op gegevens van één enkel ziekenhuis, en het heeft geleerd van de beslissingen die artsen daadwerkelijk hebben genomen, wat variaties kan bevatten op basis van lokale praktijken of patiëntvoorkeuren in plaats van strikte richtlijnen. Bovendien volgde de studie niet hoe lang patiënten leefden na de behandeling, dus het model voorspelt de keuze voor een therapie, en niet noodzakelijkerwijs de langetermijnoverleving. Ondanks deze beperkingen toont de studie aan dat het combineren van geschreven medische narratieven met standaard klinische gegevens een krachtiger hulpmiddel creëert voor het begrijpen van behandelbeslissingen. Door succesvol verschillende vormen van informatie te integreren, biedt het model een manier om de complexe, mensachtige redenering te simuleren die nodig is om de moeilijke keuzes te navigeren bij de behandeling van leverkanker.