Eine neue Studie unter der Leitung von Forschern des Winship Cancer Institute der Emory University und des Abramson Cancer Center der University of Pennsylvania zeigt, dass eine einzigartige Plattform mit künstlicher Intelligenz (KI) Ärzten und Patienten dabei helfen könnte, zu beurteilen, ob und wie viel ein einzelner Patient benötigt kann davon profitieren, dass eine bestimmte Therapie in einer klinischen Studie getestet wird. Diese KI-Plattform kann dabei helfen, fundierte Behandlungsentscheidungen zu treffen, den erwarteten Nutzen neuartiger Therapien zu verstehen und die zukünftige Pflege zu planen.
Die Studie, veröffentlicht in Naturmedizinwurde von dem staatlich geprüften medizinischen Onkologen Ravi B. Parikh, MD, MPP, medizinischer Direktor der Data and Technology Applications Shared Resource am Winship Cancer Institute der Emory University und außerordentlicher Professor in der Abteilung für Hämatologie und Medizinische Onkologie der Emory University School of geleitet Medizin, die KI-Anwendungen entwickelt und integriert, um die Versorgung von Krebspatienten zu verbessern. Qi Long, PhD, Professor für Biostatistik sowie Computer- und Informationswissenschaft und Gründungsdirektor des Center for Cancer Data Science an der University of Pennsylvania und stellvertretender Direktor für Quantitative Data Science am Abramson Cancer Center of Penn Medicine, war Co -leitender Autor. Der Erstautor der Studie war Xavier Orcutt, MD, ein Praktikant in Parikhs Labor. Zu den weiteren Autoren der Studie gehörten Kan Chen, ein Doktorand, der in Longs Labor ausgebildet wurde, und Ronac Mamtani, außerordentlicher Professor für Medizin an der University of Pennsylvania.
Parikh und seine Forscherkollegen entwickelten TrialTranslator, ein Framework für maschinelles Lernen, um Ergebnisse klinischer Studien auf reale Bevölkerungsgruppen zu „übersetzen“. Durch die Nachahmung von 11 wegweisenden klinischen Krebsstudien unter Verwendung realer Daten konnten sie die tatsächlichen Ergebnisse klinischer Studien rekapitulieren und so ermitteln, welche unterschiedlichen Patientengruppen möglicherweise gut auf Behandlungen in einer klinischen Studie ansprechen und welche möglicherweise nicht.
„Wir hoffen, dass diese KI-Plattform einen Rahmen bietet, der Ärzten und Patienten bei der Entscheidung hilft, ob die Ergebnisse einer klinischen Studie auf einzelne Patienten anwendbar sind“, sagt Parikh. „Darüber hinaus kann diese Studie den Forschern helfen, Untergruppen zu identifizieren, bei denen neuartige Behandlungen nicht wirken, und so neue klinische Studien für diese Hochrisikogruppen anstoßen.“
„Unsere Arbeit zeigt das enorme Potenzial der Nutzung von KI/ML, um die Leistungsfähigkeit umfangreicher und dennoch komplexer realer Daten zu nutzen, um die Präzisionsmedizin auf höchstem Niveau voranzutreiben“, fügt Long hinzu.
Begrenzte Generalisierbarkeit der Studienergebnisse
Parikh erklärt, dass klinische Studien zu potenziellen neuen Behandlungen begrenzt sind, da weniger als 10 % aller Krebspatienten an einer klinischen Studie teilnehmen. Das bedeutet, dass klinische Studien oft nicht alle Patienten mit dieser Krebserkrankung abdecken. Selbst wenn eine klinische Studie zeigt, dass eine neuartige Behandlungsstrategie bessere Ergebnisse als die Standardtherapie liefert, „gibt es viele Patienten, bei denen die neuartige Behandlung nicht funktioniert“, sagt Parikh.
„Dieses Framework und unsere Open-Source-Rechner werden es Patienten und Ärzten ermöglichen, zu entscheiden, ob Ergebnisse aus klinischen Phase-III-Studien auf einzelne Krebspatienten anwendbar sind“, sagt er und fügt hinzu, dass „diese Studie eine Plattform zur Analyse der Generalisierbarkeit in der realen Welt bietet.“ anderer randomisierter Studien, einschließlich Studien mit negativen Ergebnissen.“
Wie sie ihre Analyse durchgeführt haben
Parikh und Kollegen nutzten eine landesweite Datenbank elektronischer Gesundheitsakten (EHR) von Flatiron Health, um 11 bahnbrechende randomisierte kontrollierte Studien (Studien, die die Wirkung verschiedener Behandlungen durch zufällige Zuteilung von Teilnehmern in Gruppen vergleichen) zu emulieren, in denen Krebstherapien untersucht wurden, die als Standardbehandlung für die Patienten gelten vier der häufigsten fortgeschrittenen soliden bösartigen Erkrankungen in den Vereinigten Staaten: fortgeschrittener nicht-kleinzelliger Lungenkrebs, metastasierender Brustkrebs, metastasierender Prostatakrebs und metastasierender Darmkrebs.
Was sie gefunden haben
Ihre Analyse ergab, dass Patienten mit Phänotypen mit niedrigem und mittlerem Risiko, bei denen es sich um auf maschinellem Lernen basierende Merkmale handelt, die zur Beurteilung der zugrunde liegenden Prognose eines Patienten verwendet werden, ähnliche Überlebenszeiten und behandlungsbedingte Überlebensvorteile hatten wie diejenigen, die in der randomisierten Kontrollgruppe beobachtet wurden Versuche. Im Gegensatz dazu zeigten diejenigen mit Hochrisiko-Phänotypen im Vergleich zu den randomisierten kontrollierten Studien deutlich kürzere Überlebenszeiten und behandlungsbedingte Überlebensvorteile.
Ihre Ergebnisse legen nahe, dass maschinelles Lernen Gruppen realer Patienten identifizieren kann, bei denen randomisierte kontrollierte Studienergebnisse weniger verallgemeinerbar sind. Das bedeutet, fügen sie hinzu, dass „Patienten aus der realen Welt wahrscheinlich heterogenere Prognosen haben als Teilnehmer randomisierter kontrollierter Studien“.
Warum das wichtig ist
Das Forschungsteam kommt zu dem Schluss, dass die Studie darauf hindeutet, dass die Patientenprognose und nicht die Zulassungskriterien das Überleben und den Behandlungsnutzen besser vorhersagen können. Sie empfehlen, dass prospektive Studien „ausgefeiltere Methoden zur Bewertung der Patientenprognose bei der Aufnahme in Betracht ziehen sollten, anstatt sich ausschließlich auf strenge Zulassungskriterien zu verlassen.“
Darüber hinaus zitieren sie Empfehlungen der American Society of Clinical Oncology und Friends of Cancer Research, wonach Anstrengungen unternommen werden sollten, um die Darstellung von Untergruppen mit hohem Risiko in randomisierten kontrollierten Studien zu verbessern, „in Anbetracht der Tatsache, dass die Behandlungseffekte für diese Personen möglicherweise anders sind als für andere Teilnehmer.“ „
Zur Rolle der KI in Studien wie dieser sagt Parikh: „Bald wird es bei entsprechender Aufsicht und Evidenz eine zunehmende Flut von KI-basierten Biomarkern geben, die Pathologie-, Radiologie- oder elektronische Gesundheitsakteninformationen analysieren können, um bei der Vorhersage zu helfen.“ ob Patienten auf bestimmte Therapien ansprechen oder nicht, Krebserkrankungen früher diagnostizieren oder zu besseren Prognosen für unsere Patienten führen werden.“
Diese Forschung wurde durch Zuschüsse des National Institute of Health unterstützt: K08CA263541, P30CA016520 und U01CA274576.
