ปัญญาประดิษฐ์สามารถช่วยทำนายความเสี่ยงของมะเร็งตับอ่อนโดยใช้วิถีของโรคได้หรือไม่?

คลินิกตามยาวในโลกแห่งความเป็นจริง เพื่อออกแบบโปรแกรมการเฝ้าระวังสำหรับการตรวจหาผู้ป่วยที่มีความเสี่ยงสูงต่อโรคที่ลุกลามมากที่สุดชนิดหนึ่ง ซึ่งก็คือมะเร็งตับอ่อนอุบัติการณ์ของมะเร็งตับอ่อนกำลังเพิ่มขึ้น ทำให้เป็นสาเหตุการตายจากมะเร็งอันดับต้น ๆ ทั่วโลก บาคาร่า การวินิจฉัยมะเร็งตับอ่อนเป็นเรื่องท้าทายเนื่องจากขาดความเข้าใจในปัจจัยเสี่ยง

การตรวจพบในระยะแพร่กระจายขั้นสูงหรือระยะไกลล่าช้าขัดขวางการรักษา ซึ่งทำให้การรอดชีวิตของผู้ป่วยเป็นเรื่องผิดปกติอย่างมาก มีเพียงสองถึงเก้าเปอร์เซ็นต์ของผู้ป่วยดังกล่าวเท่านั้นที่อยู่รอดได้ในห้าปีแม้ว่าอายุจะเป็นปัจจัยเสี่ยงที่เป็นที่รู้จักสำหรับมะเร็งตับอ่อน แต่การตรวจคัดกรองประชากรตามอายุนั้นไม่สามารถทำได้เนื่องจากการทดสอบทางคลินิกมีค่าใช้จ่ายสูง ซึ่งให้ผลลัพธ์ที่ผิดพลาดเช่นกัน

นอกจากนี้ ข้อมูลประวัติครอบครัวหรือปัจจัยเสี่ยงทางพันธุกรรมสำหรับประชากรทั่วไปมักไม่สามารถใช้งานได้ ดังนั้นจึงมีความจำเป็นเร่งด่วนในการพัฒนาโปรแกรมการเฝ้าระวังราคาไม่แพงสำหรับการตรวจหามะเร็งตับอ่อนในประชากรทั่วไปในระยะเริ่มต้น

ในการศึกษาครั้งนี้ นักวิจัยใช้บันทึกทางคลินิกตามยาวในโลกแห่งความเป็นจริงของผู้ป่วยจำนวนมากเพื่อระบุผู้ป่วยจำนวนไม่น้อยที่มีความเสี่ยงสูงต่อมะเร็งตับอ่อนพวกเขาใช้ประโยชน์จากวิธีการเรียนรู้ของเครื่อง (ML) ที่พัฒนาขึ้นเมื่อเร็วๆ นี้ โดยใช้บันทึกผู้ป่วยจากทะเบียนผู้ป่วยแห่งชาติของเดนมาร์ก (DNPR) และต่อมาคือคลังข้อมูลองค์กรของกิจการทหารผ่านศึกแห่งสหรัฐอเมริกา (US-VA) (CDW)

ข้อมูลเดิมประกอบด้วยข้อมูลของผู้ป่วย 8.6 ล้านรายที่บันทึกระหว่างปี 2520-2561 ซึ่งสอดคล้องกับผู้ป่วยมะเร็งตับอ่อน 24,000 ราย ในขณะที่ข้อมูลหลังมีข้อมูลทางคลินิกของผู้ป่วย 3 ล้านรายที่เป็นมะเร็งตับอ่อน 3,900 รายทีมฝึกฝนและทดสอบโมเดล ML ที่หลากหลายเกี่ยวกับลำดับรหัสโรคในบันทึกทางคลินิกของ DNPR และ US-VA และทดสอบการทำนายการเกิดมะเร็งภายในช่วงเวลาที่เพิ่มขึ้นที่เรียกว่า CancerRiskNet เว็บบาคาร่า

ในการสร้างแบบจำลองการทำนาย ทีมงานใช้รหัสการวินิจฉัยการจำแนกประเภทโรคระหว่างประเทศ (ICD) สามตัวอักษร และกำหนดให้ " ผู้ป่วยมะเร็งตับอ่อน " เป็นผู้ป่วยที่มีรหัสอย่างน้อยหนึ่งรหัสภายใต้ C25 ซึ่งบ่งชี้ถึงเนื้องอกมะเร็งของตับอ่อนความแม่นยำของรหัสการวินิจฉัยโรคมะเร็งอยู่ที่ ~98% ในที่สุด นักวิจัยระบุว่าการวินิจฉัยใดในประวัติรหัสการวินิจฉัยของผู้ป่วยที่ให้ข้อมูลความเสี่ยงมะเร็งมากที่สุด เพื่อเสนอโปรแกรมเฝ้าระวังในอุดมคติ

นอกจากนี้ นักวิจัยยังประเมินประสิทธิภาพการทำนายของแบบจำลองต่างๆ ที่ได้รับการฝึกอบรมใน DNPR โดยใช้พื้นที่ภายใต้เส้นโค้งลักษณะการทำงานของเครื่องรับ (AUROC) และความเสี่ยงสัมพัทธ์ (RR) นอกจากนี้ยังรายงานคะแนน RR ที่ได้จาก ML ของผู้ป่วยมะเร็งในกลุ่มที่มีความเสี่ยงสูง

ผลลัพธ์การศึกษาก่อนหน้านี้ทั้งหมดที่ใช้บันทึกทางคลินิกในโลกแห่งความจริงเพื่อทำนายความเสี่ยงมะเร็งตับอ่อนดึงผลลัพธ์ที่น่าสนับสนุน แต่ไม่ได้ใช้ลำดับเวลาของประวัติโรคเพื่อแยกลักษณะตามยาวตามลำดับเวลา ในการศึกษานี้ พวกเขาได้ประเมินแบบจำลองที่ไม่ใช่ลำดับเวลาในชุดข้อมูล DNPR

โดยรวมแล้ว แบบจำลองลำดับเวลา Transformer มีประสิทธิภาพดีที่สุดสำหรับการทำนายอุบัติการณ์ของมะเร็งภายใน 36 เดือนของวันที่ประเมิน โดยมีค่า AUROC เท่ากับ 0.879 ตามมาด้วย GRU ที่มีค่า AUROC เท่ากับ 0.852RR สำหรับแบบจำลองนี้ที่จุดปฏิบัติการที่กำหนดโดยผู้ป่วยที่มีความเสี่ยงสูงสุด n = 1,000 รายจากผู้ป่วยหนึ่งล้านรายคือ 104.7ประสิทธิภาพของแบบจำลองถุงคำและแบบจำลอง MLP ในการทำนายการเกิดมะเร็งภายใน 36 เดือนในแง่ของ AUROC เท่ากับ 0.807 และ 0.845 ตามลำดับ อย่างไรก็ตาม เมื่อเปรียบเทียบกับ Transformer แล้ว RR สำหรับ bag-of-words และ MLP นั้นต่ำกว่ามาก (104.7 เทียบกับ 2.1 และ 26.6)

การยกเว้นข้อมูล เช่น การไม่รวมการวินิจฉัยโรคที่ป้อนจากสาม หก และ 12 เดือนก่อนการวินิจฉัยมะเร็งตับอ่อน ลดประสิทธิภาพสำหรับแบบจำลองที่ดีที่สุดจาก AUROC ที่ 0.879 เป็น AUROC ที่ 0.843, 0.829 และ 0.827 สำหรับสาม/หก- /12 เดือน. การวิเคราะห์นี้ระบุว่าโมเดล ML ที่ได้รับการฝึกอบรมจากข้อมูลจากทั้งสองแหล่งมีค่าการทำนายเชิงบวก (PPV) ที่ 0.32 สำหรับช่วงเวลาการทำนาย 12 เดือน ดังนั้นผู้ป่วยประมาณ 320 คนจะกลายเป็นมะเร็งตับอ่อนในที่สุดแม้ว่าแพทย์อาจระบุบางกรณีตามปัจจัยเสี่ยงของมะเร็งตับอ่อนที่เป็นที่รู้จัก เช่น ตับอ่อนอักเสบเรื้อรัง เศษเสี้ยวในจำนวนนี้เกือบ 70 รายจะยังคงระบุได้ใหม่ตามการประมาณแบบอนุรักษ์นิยมแม้จะมีการใช้รหัสโรค ICD ทั่วไปและการอยู่รอดของมะเร็งที่คล้ายคลึงกัน แต่การนำข้อมูล DNPR ไปใช้ข้ามข้อมูลกับข้อมูล US-VA ทำให้ประสิทธิภาพของแบบจำลอง ML ลดลง ทำให้ต้องมีการฝึกอบรมแบบจำลองอิสระทั่วทั้งภูมิภาคทางภูมิศาสตร์เพื่อให้ได้ประสิทธิภาพของแบบจำลองที่เหมาะสมที่สุดในระดับภูมิภาค อย่างไรก็ตาม สถานการณ์ในอุดมคติสำหรับการทำงานร่วมกันหลายสถาบันเพื่อให้ได้ชุดกฎการคาดการณ์ที่เกี่ยวข้องกันทั่วโลกนั้นจำเป็นต้องมีการเรียนรู้แบบสมาพันธ์ในระบบการดูแลสุขภาพที่แตกต่างกัน

ข้อสรุปความแม่นยำในการทำนายของแบบจำลอง ML ที่อธิบายในการศึกษานี้สามารถปรับปรุงด้วยการเข้าถึงข้อมูลที่นอกเหนือจากรหัสโรค เช่น การสังเกตที่เขียนในบันทึกทางคลินิก ผลการตรวจทางห้องปฏิบัติการ และโปรไฟล์ทางพันธุกรรมของผู้คนจำนวนมากขึ้นหรือข้อมูลเกี่ยวกับสุขภาพจากอุปกรณ์สวมใส่ของพวกเขาจากนั้นการดำเนินการทางคลินิกเพื่อวินิจฉัยมะเร็งตับอ่อนระยะแรกจะต้องมีการระบุผู้ป่วยที่มีความเสี่ยงสูงเนื่องจากผู้ที่มีความเสี่ยงสูงสุดคือกลุ่มย่อยที่มีขนาดเล็กกว่าของประชากรจำนวนมากที่คัดกรองด้วยคอมพิวเตอร์ โปรแกรมการคัดกรองและการแทรกแซงทางคลินิกที่มีค่าใช้จ่ายสูงและละเอียดรอบคอบจึงถูกจำกัดไว้สำหรับผู้ป่วยเพียงไม่กี่ราย

อย่างไรก็ตาม AI ในบันทึกทางคลินิกจากโลกแห่งความเป็นจริงอาจเปลี่ยนจุดสนใจจากการรักษาระยะสุดท้ายเป็นการรักษามะเร็งระยะเริ่มต้น ซึ่งในทางกลับกัน จะช่วยปรับปรุงคุณภาพชีวิตของผู้ป่วยทั้งหมดได้อย่างมากในขณะที่เพิ่มอัตราส่วนผลประโยชน์ต่อต้นทุน ของการดูแลโรคมะเร็ง