Согласно исследованию, проведенному учеными из Weill Cornell Medicine, новый метод, основанный на искусственном интеллекте, позволяет точно разделить больных раком на группы, которые имеют сходные характеристики до лечения и сходные результаты после лечения. Новый подход потенциально может обеспечить лучший отбор пациентов в клинических испытаниях и лучший выбор лечения для отдельных пациентов.
Исследование, было проведено в сотрудничестве с Regeneron Pharmaceuticals и касалось проблемы, с которой сталкиваются многие фармацевтические компании и врачи: как предсказать, у каких пациентов будет наилучшая реакция на лекарство. Результаты показали, что способность нового метода прогнозировать результаты лечения на основе данных медицинской карты была выше, чем у любого другого метода, опубликованного на сегодняшний день.
“Мы надеемся, что этот подход в конечном итоге окажется полезным для тестирования и целенаправленного лечения широкого спектра заболеваний”, — сказал старший автор доктор Фей Ванг, директор-основатель Института искусственного интеллекта для цифрового здравоохранения при Департаменте наук о здоровье населения и профессор наук о здоровье населения в Weill Cornell Medicine.
Машинное обучение уже давно является многообещающим инструментом для поиска тонких, но значимых закономерностей в больших наборах данных, включая медицинские. Однако, хотя эти системы могут распределять пациентов по четко определенным группам на основе общего сходства данных об их состоянии здоровья, эти группы не всегда точно соответствуют ожиданиям пациентов в отношении будущего лечения.
Соавтор исследования доктор Ин Ли, ученый из Regeneron, который работает над прогнозированием реакции на лечение, недавно обратился к доктору Вану, чтобы узнать, может ли его группа помочь разработать лучшее решение этой проблемы.
“Нашей целью было разработать платформу, которая распределяла бы пациентов с целевым заболеванием, получающих одинаковое лечение, по группам, имеющим сходные исходные характеристики и результаты лечения”, — сказал доктор Ли. “Мы проверили этот метод, используя реальную базу данных пациентов с мелкоклеточным раком легких на поздних стадиях, получавших ингибиторы иммунных контрольных точек”.
Первый автор исследования доктор Вейшен Пан, научный сотрудник лаборатории Wang, руководил разработкой новой платформы машинного обучения, “обучая” ее на основе идентифицированных медицинских карт 3225 пациентов с раком легких из коммерческой базы данных. Каждая история болезни пациента содержала 104 различных переменных, охватывающих такие элементы, как результаты анализа крови, рецепты, история болезни и стадия опухоли.
В ходе этой первоначальной работы платформа разделила пациентов на три группы. В группе, которая имела наибольшую среднюю общую выживаемость с момента начала лечения, большинство пациентов (55,5%) составляли женщины, а показатели других заболеваний, таких как диабет и сердечная недостаточность, были относительно низкими. Напротив, средняя продолжительность жизни в группе с самым коротким сроком жизни была менее чем в два раза меньше, чем в первой группе, она состояла в основном из мужчин (66,2%) и имела относительно высокий уровень метастазов опухоли, а также аномальные результаты анализов крови, свидетельствующие о воспалительных заболеваниях печени и почек.
“Используя показатель, называемый индексом соответствия, мы показали, что средняя эффективность этого нового подхода при прогнозировании продолжительности жизни пациентов превосходит показатели стандартных статистических методов и методов машинного обучения”, — сказал доктор Пэн.
Команда применила свою обученную систему машинного обучения к новому набору данных, охватывающему 1441 пациента с немелкоклеточным раком легких, и обнаружила, что она позволяет получить практически идентичные группировки по исходным характеристикам и срокам выживаемости.
Теперь доктора Ванг и Ли и их коллеги планируют продолжить разработку и тестирование нового подхода к стратификации пациентов при клинических испытаниях новых лекарственных препаратов, а также при индивидуальном подборе лечения. Более того, воспроизводимые на их платформе группировки пациентов и результаты их лечения позволяют предположить, что такие инструменты также могут быть использованы для получения базовых знаний о биологии заболеваний.
“Для этого нам, вероятно, понадобится нечто большее, чем данные электронной медицинской карты, но мы действительно хотим понять биологические механизмы, которые объясняют эти различные подгруппы пациентов”, — сказал доктор Ванг.
Источник: Weill Cornell Medicine
