使用每日步数的人工智能模型预测癌症治疗期间意外住院

研究人员开发的一种人工智能(AI)模型可以预测患者在接受癌症放射治疗期间意外住院的可能性。机器学习模型使用每日步数作为代理来监测患者在接受癌症治疗时的健康状况，为临床医生提供实时方法来提供个性化护理。研究结果将于今天在美国放射肿瘤学学会(ASTRO)年会上公布。

估计有10-20%接受门诊放射或放化疗的患者在癌症治疗期间需要急诊科(ED)访问或住院的急性护理。这些计划外的住院治疗对接受癌症治疗的人来说可能是一个重大挑战，造成治疗中断和压力，可能影响临床结果。对并发症风险较高的患者进行早期识别和干预可以预防这些事件。

该研究的资深作者、加州大学旧金山分校(UCSF)放射肿瘤学和计算健康科学助理教授Julian Hong医学博士说:“如果你能预测病人意外住院的风险，你就能改变你在癌症治疗过程中对他们的支持方式，减少他们最终进入急诊科或医院的可能性。”他同时也是加州大学旧金山分校放射肿瘤学信息学的医学主任。

洪博士的团队之前展示了一种机器学习算法健康数据如癌症病史和治疗计划，可以确定患者在住院期间急诊科就诊的高风险癌症治疗，并且来自他们的提供者的额外监督降低了这些患者的急性护理率。

在目前的研究中，他和第一作者、加州大学旧金山分校的临床数据科学家伊莎贝尔·弗里斯纳(Isabel Friesner)与纽约Montefiore医疗中心的Nitin Ohri医学博士及其同事合作，将机器学习方法应用于可穿戴消费设备的数据。Ohri博士和他的团队之前在三个前瞻性临床试验(NCT02649569, NCT03102229, NCT03115398)中收集了214名患者的数据。

在每一项试验中，参与者在接受放化疗期间都戴着健身追踪器，在几周内监测他们的活动。试验参与者患有不同类型的原发性癌症，最常见的是头颈癌(30%)或肺癌(29%)。

步数和来自这些患者记录的其他数据被用于开发和测试弹性网络正则化逻辑回归模型，一种机器学习模型可以分析大量复杂的信息。他们的模型的目标是根据病人前两周的数据，预测病人下周住院的可能性。

研究人员首先利用70%的试验参与者(151人)的数据，通过检查不同变量对住院治疗的预测程度，创建了这个模型。模型中的潜在预测因素包括患者特征(例如，年龄，ECOG表现状态)以及治疗前和治疗期间测量的活动数据。除了每天的总步数，研究人员还计算了其他指标，比如一个人每周平均步数的相对变化，或者每周最小步数和最大步数的差异。

研究小组随后使用剩余30%的患者(63人)验证了该模型。整合步数的模型对接下来一周的住院有很强的预测作用(AUC = 0.80, 95%可信区间[CI] 0.60-0.90)，并且显著优于没有步数的模型(AUC = 0.46, 95% CI 0.24-0.66, p<0.001)。

“在预测窗口之前的步数通常比临床变量更具预测性。步数的动态特性很重要，它们每天都在变化，这似乎使它们成为病人健康状况的一个特别好的指标，”洪博士说。

模型中最重要的预测变量包括过去两天每天的步数，以及过去两周内最大步数和步数范围的相对变化。

动态数据的使用将该模型与基于临床数据(如性能状态和肿瘤组织学)的模型区分开来。“这个模型的独特之处在于，它被设计成一个持续预测，”弗里斯纳解释说。“你可以在任何一天运行算法，了解病人一周后的风险水平，让你有时间提供他们需要的额外支持。”

洪医生解释说，这种额外的支持是减少住院的关键，无论是安排更频繁的随访，改变病人的治疗计划，还是另一种个性化的方法。“有效的核心是，这是医生看到病人的额外接触点。这让病人放心，知道我们在照顾他们。”

“随着越来越多的人开始使用可穿戴设备，他们收集的数据是否有用的问题就出现了。我们的研究表明，让我们的病人在日常生活中收集自己的健康数据是有价值的，我们可以利用这些数据来监测和预测他们的健康状况，”弗里斯纳女士补充道。

研究人员的下一步工作包括在Ohri博士领导的NRGF-001试验(NCT04878952)中对该算法进行更严格的验证，该试验将随机分配接受CRT治疗的肺癌患者进行每日步数监测或不进行每日步数监测。在整个治疗过程中，步数计臂上患者的医生将收到模型的输出。

研究人员还计划进行其他研究，以检验可穿戴设备收集的其他指标，如心率，以及它们在临床中的效用。

“可穿戴设备和患者生成的健康数据仍然是相对较新的现象，我们仍在学习它们如何发挥作用。我们还能从生活中的众多传感器中获得哪些信息?这些指标如何相互补充并与其他类型的数据(如电子健康记录数据)协同工作?不同的数据点可能对不同的病人效果更好，”弗里斯纳说。

随着过去几年远程医疗和远程护理的广泛采用，通过患者设备进行远程监测的需求也可能增加。洪博士说，随着这些设备越来越受欢迎，诊所和政策制定者应该牢记这些设备的使用。

“在处理现实世界的可穿戴数据时，面临的挑战之一是经济和种族差异，这些差异会影响拥有可以捕获此类数据的设备的人。我认为重要的是要开发出对临床有用的工具，同时也要让更广泛的患者可以使用。”