机器学习触发的提醒改善了癌症患者的临终护理

根据宾夕法尼亚大学医学研究人员发表的一项随机临床试验的长期结果，基于机器学习算法向医疗保健临床医生提供的电子推送，预测死亡风险，与患者就临终护理偏好进行对话的几率是前者的四倍JAMA肿瘤学今天。研究还发现，机器学习触发的提醒显著减少了临终时积极化疗和其他系统疗法的使用，研究表明，这与生活质量差和副作用有关，可能导致患者在最后几天不必要的住院治疗。

对于癌症发展到无法治愈的阶段的患者来说，有些人可能会优先考虑尽可能延长他们生命的治疗，而另一些人可能更喜欢旨在最大限度地减少疼痛或恶心的护理计划，这取决于他们的疾病前景。与患者谈论他们的预后和价值可以帮助临床医生制定更好地符合每个人的目标的护理计划，但在患者病情严重之前进行讨论是至关重要的。

“这项研究表明，我们可以利用信息学来改善医疗服务生命终结资深作者Ravi B. Parikh医学博士说，他是宾夕法尼亚大学佩雷尔曼医学院的肿瘤学家和医学伦理、卫生政策和医学的助理教授，也是阿布拉姆森癌症中心宾夕法尼亚癌症护理创新中心的副主任。“交流与癌症患者关于他们的目标和愿望是护理的一个关键部分，可以减少不必要或不想要的治疗在生命结束。问题是我们做得不够，而且很难确定什么时候该这样做谈话对一个特定的病人。”

Parikh和他的同事以前了一种机器学习算法可以识别出哪些癌症患者在未来六个月内有很高的死亡风险。他们将算法与基于行为的“轻推”相结合，以电子邮件和短信的形式，促使临床医生在与高风险患者预约时开始严重疾病的对话。的初步结果这项于2020年发表的研究表明，为期16周的干预使这些对话的发生率增加了两倍。

这项研究代表了重要的一步人工智能在肿瘤学领域，作为第一个基于机器学习的行为干预的随机试验癌症治疗．这项研究包括20,506名在宾夕法尼亚大学医学中心接受癌症治疗的患者，总共有超过40,000名患者遇到，使其成为基于机器学习的干预研究中最大的一项研究，专注于肿瘤学中的严重疾病护理。

今天发表的研究结果显示，在24周的随访期后，高危患者的交谈率几乎翻了两番，从3.4%增至13.5%。在研究期间死亡的患者中，在生命的最后两周使用化疗或靶向治疗的比例从10.4%下降到7.5%。干预对其他临终指标没有影响，包括临终关怀登记或住院时间、住院患者死亡或临终重症监护病房的使用。

值得注意的是，在没有被算法标记为高风险的患者中，也观察到关于护理目标的对话增加，这表明这些推动导致临床医生在实践中改变了他们的行为。在所有患者的人口统计数据中都观察到这种增长，但在医疗保险受益人中增长更大，这表明干预可能有助于纠正关于严重疾病的对话中的差异。

在本研究结果的基础上，研究团队将相同的方法扩展到宾夕法尼亚大学卫生系统内的所有肿瘤学实践，目前正在分析这些结果。该研究的其他计划包括将人工智能算法与早期姑息治疗转诊提示相结合，并将该算法用于患者教育。

帕里克说:“虽然我们大大增加了患者和临床医生之间关于严重疾病的对话数量，但仍然只有不到一半的患者进行了对话。”“我们需要做得更好，因为我们知道病人当他们的医疗保健临床医生了解每个患者的个人目标和护理优先事项时，就会受益。”