Da HEM ONC Today
Secondo i risultati di uno studio, i modelli di apprendimento automatico possono aiutare a prevedere quali pazienti sottoposti a terapia sistemica per il carcinoma polmonare non a piccole cellule abbiano maggiori probabilità di necessitare di visite urgenti.
I modelli che incorporavano i risultati riferiti dai pazienti e i dati provenienti da sensori indossabili hanno ottenuto risultati significativamente migliori rispetto ai modelli basati esclusivamente su dati demografici e clinici.
I ricercatori hanno concluso che i risultati potrebbero avere implicazioni considerevoli per la pratica clinica e la ricerca nel mondo reale.
“Nel contesto delle cure standard, algoritmi in grado di prevedere il rischio di tossicità moderate o gravi – e impedire che diventino così gravi da richiedere una visita al pronto soccorso o al pronto soccorso – potrebbero alleviare notevolmente il dolore, lo stress e i disagi dei pazienti, riducendo al contempo i costi per il sistema sanitario“, ha dichiarato a Healio Brian D. Gonzalez, PhD, ricercatore presso il dipartimento di esiti e comportamento sanitario del Moffitt Cancer Center.
“La possibilità di farlo con la raccolta passiva dei dati e l’analisi dietro le quinte potrebbe consentire di farlo con un onere minimo per i pazienti o il personale. In un contesto di sperimentazione clinica, se si riesce a prevedere – e prevenire – potenziali tossicità dose-limitanti, ciò aumenterà la capacità degli studi di rilevare il vero segnale dell’impatto di un farmaco sugli endpoint clinici“.
Migliorare la previsione del rischio
I pazienti con NSCLC manifestano frequentemente tossicità che richiedono visite urgenti o altre forme di ricorso non pianificato all’assistenza sanitaria. In alcuni casi, queste tossicità richiedono modifiche al trattamento.
Non esistono strategie consolidate per identificare in modo coerente i pazienti più a rischio.
Gonzalez e colleghi hanno voluto valutare se i dati sanitari generati dai pazienti, inclusi gli esiti riferiti dai pazienti e i dati raccolti passivamente da sensori indossabili, potessero predire il rischio di visite urgenti nei pazienti con NSCLC entro 60 giorni dall’inizio della terapia sistemica.
“A volte c’è disaccordo tra pazienti e operatori sanitari sulla gravità della tossicità, ma tutti concordano sul fatto che se è abbastanza grave da richiedere il ricovero in un centro di pronto soccorso, è qualcosa che vorremmo anticipare“, ha affermato Gonzalez. “Gli esiti riferiti dai pazienti possono contribuire a ridurre il rischio di visite mediche non programmate, ma non è possibile individuarli tutti a meno che non si intervistino i pazienti con una frequenza tale da renderne pratico l’utilizzo. I sensori indossabili che abbiamo utilizzato forniscono dati passivamente ogni minuto di ogni giorno“.
Un sistema “molto ricercato”
I ricercatori hanno creato un set di training che includeva 58 pazienti (età media 69 anni; range 35-89; 57% donne; 88% bianchi) con NSCLC. Più di due terzi (69%) presentavano adenocarcinoma e la maggioranza presentava una malattia in stadio III (48,2%) o IV (32,1%).
Tutti i pazienti erano stati arruolati entro 7 giorni dall’inizio della terapia sistemica, definito come periodo pre-terapia sistemica.
I pazienti hanno compilato il questionario PROMIS-57, che consente loro di auto-segnalare vari aspetti della qualità della vita, del benessere e dell’intensità del dolore, al basale e al follow-up a 60 giorni. Indossavano anche un Fitbit che acquisiva dati sanitari specifici del paziente, tra cui frequenza cardiaca e parametri del sonno.
Quaranta pazienti (69%) hanno richiesto almeno una visita di pronto soccorso.
I ricercatori hanno utilizzato reti bayesiane per sviluppare quattro modelli per prevedere il rischio di visite di pronto soccorso, misurando la performance predittiva in base all’area sotto la curva (AUC).
Il primo modello ha utilizzato solo dati demografici e clinici pre-terapia sistemica tratti dalle cartelle cliniche, tra cui sesso, età, BMI, stadio del tumore, stato di adenocarcinoma (sì o no) e livelli di albumina e calcio (AUC, 0,72; IC al 95%, 0,57-0,8).
Il secondo modello ha utilizzato informazioni demografiche e dati clinici ottenuti durante la terapia sistemica. Questo modello ha incorporato le variazioni di albumina e calcio dal periodo pre-terapia sistemica al momento della visita di pronto soccorso, nonché l’assunzione di chemioterapia, radioterapia e/o terapia mirata (AUC, 0,81; IC al 95%, 0,63-0,89).
Il terzo modello ha incorporato i dati sugli esiti riferiti dai pazienti, ottenuti durante il periodo di terapia pre-sistemica, inclusi i dati PROMIS relativi all’interferenza con ansia e dolore (AUC, 0,78; IC al 95%, 0,66-0,88).
Il quarto modello ha incorporato i dati clinici ottenuti durante la terapia sistemica, nonché i dati provenienti da sensori indossabili (AUC, 0,86; IC al 95%, 0,76-0,95).
I test di DeLong, che hanno confrontato i due modelli di terapia pre-sistemica e quelli durante la terapia sistemica, hanno mostrato una sovraperformance statisticamente significativa con l’aggiunta degli esiti riferiti dai pazienti e dei dati provenienti dai sensori indossabili (terzo modello vs. primo modello, P = 0,002; quarto modello vs. secondo modello, P < 0,001). Gonzalez si è detto incoraggiato dalle prestazioni del modello finale e dal valore dell'aggiunta di ulteriori dati durante il trattamento. C'è un "notevole consenso da parte degli operatori sanitari” per ciò che i ricercatori miravano a sviluppare, ha aggiunto.
Per un futuro sistema basato su quello testato in questo studio, “nessuno del team clinico dovrebbe chiamare ogni paziente ogni giorno per sapere come si sente, e non richiederebbe visite aggiuntive per tutti i pazienti“, ha affermato Gonzalez. “Un sistema a basso impatto che avvisi i medici che un paziente specifico potrebbe essere a rischio di una visita medica non pianificata e li inviti a contattare il paziente sarebbe molto richiesto“.
Ampia applicabilità
I risultati della proof-of-concept dimostrano il valore delle fonti di dati multidimensionali per migliorare la capacità dei modelli di apprendimento automatico per prevedere l’utilizzo dell’assistenza sanitaria durante la terapia sistemica precoce, hanno concluso Gonzalez e colleghi.
I ricercatori hanno riconosciuto i limiti dello studio, tra cui il disegno monocentrico e la dimensione del campione relativamente ridotta. Hanno anche osservato che le misure analizzate in questo studio non includono tutti i potenziali predittori di visite di pronto soccorso e che altri fattori, tra cui variabili cliniche o specifiche del tumore, potrebbero essere assenti dai modelli.
Il passo successivo è valutare se questi dati possano essere utilizzati per prevedere ulteriori endpoint clinici nella stessa popolazione di pazienti e per perfezionare e convalidare l’approccio in una coorte più ampia di pazienti con cancro al polmone, ha affermato Gonzalez.
Sistemi come questo potrebbero avere una “ampia applicabilità” in oncologia e in altre specialità mediche, ha aggiunto.
“In un contesto post-operatorio, ad esempio, un aumento della temperatura può indicare un rischio di infezione“, ha affermato Gonzalez. “A meno che non chiediamo a un paziente di usare un termometro 10 o 20 volte al giorno, un sensore indossabile può fornire una grande quantità di dati e un potere predittivo che non sarebbe possibile in nessun altro modo“.
È necessaria una validazione approfondita e devono essere raccolti grandi volumi di dati per sviluppare un algoritmo ottimizzato, specifico per ogni contesto in cui possa essere utilizzato, ha aggiunto Gonzalez.
“Un algoritmo utilizzato per i pazienti sottoposti a terapia polmonare sistemica sarà diverso da un algoritmo per i pazienti sottoposti a terapia con cellule CAR-T, perché questi presentano tossicità diverse“, ha affermato. “Finché non arriveremo a un punto in cui non ci sarà una raccolta su larga scala di dati da sensori indossabili passivi, ad esempio dagli smartphone dei pazienti, saranno necessari protocolli individuali. Ci vorrà del tempo per replicarli in ogni contesto specifico“.