Machine Learning-Based Prediction of Lung Cancer Risk in COPD Patients Using Clinical Severity Indicators and Comorbidity Profile
Deze studie heeft een machine learning-framework ontwikkeld en intern gevalideerd met behulp van klinische ernstindicatoren en comorbiditeitsprofielen om het risico op longkanker bij COPD-patiënten te stratificeren, waarbij werd vastgesteld dat een kunstmatig neuraal netwerk andere modellen overtrof met een hoge nauwkeurigheid en recall, terwijl tegelijkertijd de noodzaak voor externe validatie vóór klinische implementatie werd benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar eist longkanker meer levens dan welke andere vorm van de ziekte dan ook, waardoor de vroege detect ervan een cruciaal doel is voor artsen en onderzoekers. Voor mensen die leven met chronische obstructieve pulmonale ziekte, of COPD, een aandoening die de longen langzaam beschadigt en het ademhalen moeilijk maakt, liggen de belangen nog hoger. Deze patiënten lopen al een aanzienlijk groter risico op het ontwikkelen van longkanker dan de algemene populatie, een verband dat wordt gedreven door gedeelde oorzaken zoals roken en de constante ontsteking die het longweefsel in de loop van de tijd beschadigt. Omdat deze twee aandoeningen vaak samen gaan, zoeken artsen al lang naar een manier om naar een patiënt met COPD te kijken en te bepalen wie het hoogste risico loopt op het krijgen van longkanker. Traditionele methoden voor risicobeoordeling vertrouwen vaak op eenvoudige checklists of lineaire berekeningen, die moeite kunnen hebben met het zien van de complexe, verborgen patronen die de leeftijd, ademhalingscapaciteit en medische geschiedenis van een patiënt aan hun huidige gezondheidstoestand koppelen. Als er een betere manier gevonden zou kunnen worden om deze patiënten te sorteren, zou dit kunnen helpen bij het prioriteren van wie onmiddellijke, intensieve screening nodig heeft, waardoor kanker mogelijk wordt ontdekt wanneer het klein en behandelbaar is.
Een team van onderzoekers zette zich het doel om een nieuw soort instrument te bouwen om dit probleem op te lossen, gebruikmakend van een tak van de computerwetenschap die bekend staat als machine learning. In plaats van te vertrouwen op één enkele formule, leerden ze een computer om te leren van duizenden echte patiëntendossiers om de subtiele signalen te vinden die gevaar aangeven. Ze verzamelden gegevens van 2.300 mensen die de diagnose COPD hadden gekregen, waarbij voor elke persoon een breed scala aan informatie werd verzameld. Dit omvatte basisgegevens zoals leeftijd en geslacht, de ernst van hun longziekte, hoe ver ze in zes minuten konden lopen, en hun rookgeschiedenis gemeten in pakjaren, wat een manier is om te tellen hoeveel iemand gedurende zijn leven heeft gerookt. Ze keken ook naar specifieke longfunctienummers, scores voor angst en depressie, en of de patiënten andere gezondheidsproblemen hadden zoals diabetes of hartziekten. Het doel was om te zien of een computer dit volledige plaatje kon bekijken en kon classificeren welke van deze patiënten momenteel longkanker hadden en welke niet.
Om hun idee te testen, voedden de onderzoekers deze informatie aan zes verschillende soorten computermodellen, variërend van eenvoudige statistische methoden tot complexe kunstmatige intelligentiesystemen. Ze splitsten de gegevens zodat de computer kon leren van de meeste patiënten en vervolgens getest kon worden op een aparte groep die hij nog nooit eerder had gezien, om ervoor te zorgen dat de resultaten eerlijk waren en niet slechts uit het hoofd geleerde antwoorden. De resultaten lieten zien dat de meer geavanceerde, niet-lineaire modellen veel superieur waren aan de eenvoudigere. De beste presteerder was een type kunstmatige intelligentie genaamd een kunstmatig neuraal netwerk, dat de manier nabootst waarop het menselijk brein informatie verwerkt via lagen van verbindingen. Dit model identificeerde de aanwezigheid van longkanker correct in 92 procent van de gevallen waarin het werd getest, een snelheid die bekend staat als recall, en behaalde een algehele nauwkeurigheidsscore van 90 procent. Een ander krachtig model, een Random Forest, dat werkt door de meningen van vele kleinere beslissingsbomen te combineren, presteerde bijna even goed en identificeerde 90 procent van de kankergevallen correct.
De studie onthulde ook welke factoren er het meest toe deden voor de computer bij het nemen van zijn beslissingen. De meest invloedrijke aanwijzingen waren de rookgeschiedenis van de patiënt, de ernst van de COPD en een specifieke meting van hoeveel lucht ze in één seconde uit hun longen konden persen. Leeftijd speelde ook een belangrijke rol. Dit komt overeen met wat artsen al weten over de ziekte, maar het vermogen van de computer om al deze factoren tegelijkertijd te wegen, stelde hem in staat om risico's op te sporen die eenvoudigere methoden wellicht zouden missen. De onderzoekers ontdekten dat de geavanceerde modellen niet alleen beter waren in het opsporen van de ziekte, maar ook beter in het schatten van de exacte waarschijnlijkheid van het risico, waardoor ze een betrouwbaarder getal gaven dan de oudere, traditionele methoden.
De onderzoekers benadrukken echter voorzichtig dat dit werk een belangrijke stap voorwaarts is, maar niet de eindbestemming. De studie werd volledig uitgevoerd op een enkele dataset zonder langetermijnfollow-up gegevens, wat betekent dat de computer werd getraind om de huidige risicostatus te classificeren in plaats van te voorspellen wie in de toekomst longkanker zal ontwikkelen. Hoewel de resultaten veelbelovend zijn en suggereren dat deze hulpmiddelen op een dag artsen kunnen helpen betere beslissingen te nemen, zijn de modellen nog niet getest op patiënten uit andere ziekenhuizen of andere delen van de wereld, noch kunnen ze nog vaststellen wie het waarschijnlijkst als volgende longkanker zal ontwikkelen. Voordat een dergelijk systeem in een echte kliniek gebruikt kan worden om te beslissen wie een scan krijgt, moet bewezen worden dat het betrouwbaar werkt bij diverse populaties en dat het geïntegreerd kan worden in de dagelijkse workflow van zorgverleners. Voor nu dient de studie als een krachtig bewijs van concept, dat aantoont dat wanneer we gedetailleerde patiëntgeschiedenis combineren met moderne computerkracht, we patronen van risico kunnen zien die voorheen onzichtbaar waren, wat een nieuwe weg biedt naar het vroeger opsporen van longkanker bij de meest kwetsbare patiënten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.