Avancées dans l'automatisation de l'apprentissage des DSE pour les soins aux patients
Utiliser la technologie pour analyser les données des patients afin d'améliorer les résultats en santé.
― 8 min lire
Table des matières
Aujourd'hui, utiliser la technologie pour aider à l'apprentissage dans le secteur de la santé est super important. Une façon de le faire, c'est en analysant les énormes quantités de données patients réunies dans les dossiers de santé électroniques (DSE). En faisant ça, on peut repérer rapidement des tendances qui pourraient être liées à l'état des patients. Ce processus peut aider les médecins à améliorer les traitements et les soins.
Qu'est-ce que l'automatisation de l'apprentissage à partir des DSE ?
L'automatisation de l'apprentissage à partir des DSE, c'est quand des systèmes informatiques analysent les données des DSE de manière systématique. L'objectif, c'est de trouver des infos utiles qui peuvent aider à améliorer les soins aux patients. À mesure que ces systèmes avancent, ils ont le potentiel d'améliorer considérablement la manière dont les soins de santé sont fournis.
Construire un système de santé apprenant
Dans des études précédentes, un système appelé le Michigan Radiation Oncology Analytics Resource (MROAR) a été créé. Ce système collecte et organise des données provenant de diverses sources de santé, y compris les DSE et les plans de traitement par radiothérapie. Le but ici, c'est de faciliter l'apprentissage des ordinateurs à partir des données recueillies.
Pour tirer de bons résultats de cette grande source de données, des processus standard ont été intégrés dans le travail clinique quotidien. Ça aide à réduire les erreurs et les informations manquantes dans les données que les travailleurs de la santé saisissent. En traitant la collecte de données un peu comme une ferme structurée qui produit régulièrement des éléments utiles, plutôt qu'en récoltant juste des infos au hasard, les chances de trouver des insights précieux augmentent.
Utiliser l'IA dans les soins de santé
Le système a été associé à un algorithme qui utilise l'intelligence artificielle (IA) pour analyser les données. Cet algorithme cherche des facteurs importants qui pourraient prédire comment les patients atteints de cancers de la tête et du cou vont s'en sortir, surtout s'ils se rendent aux urgences après le traitement.
En perfectionnant des techniques précédentes, l'équipe a travaillé pour trouver et évaluer des facteurs qui pourraient aider à prédire les résultats pour les patients. Cette nouvelle approche combine des méthodes statistiques traditionnelles et de l'IA avancée, visant à créer une image plus claire de la santé des patients.
Trouver des caractéristiques importantes
L'étude s'est concentrée sur trois problèmes principaux : la difficulté à avaler (Dysphagie), la bouche sèche (Xérostomie) et les Taux de survie après trois ans pour les patients atteints de cancers de la tête et du cou. L'équipe a examiné de nombreux facteurs pour voir lesquels pouvaient prédire ces résultats.
Cela incluait des métriques standard pour les doses de radiation à des glandes spécifiques dans le cou. Ils ont rassemblé des données au fil du temps pour voir comment ces facteurs changeaient et quel impact ils avaient sur la santé des patients.
Analyser les informations des patients
Au total, 964 patients ont été inclus, principalement des hommes blancs. Les données recueillies ont mis en évidence des caractéristiques de santé importantes et comment ces caractéristiques corrélaient avec des résultats négatifs. Les chercheurs ont utilisé divers calculs statistiques pour aider à comprendre les tendances dans les données.
Ils ont vérifié combien de patients avaient des difficultés à avaler, une bouche sèche, ou sont décédés dans les trois ans suivant le traitement. En examinant ces aspects, l'équipe cherchait à identifier des tendances qui pouvaient informer les médecins sur ce qu'il fallait surveiller chez leurs patients.
Le rôle des données visuelles
Pour aider encore plus les médecins à comprendre les corrélations trouvées, des graphiques statistiques et des aides visuelles ont été créés. Les visuels ont facilité la compréhension des modèles clairs dans les données pour les professionnels de la santé. Ça a aidé à prendre des décisions éclairées sur le traitement des patients.
Former les modèles d'IA
L'équipe a développé des modèles d'IA qui ont été testés par rapport à des méthodes statistiques pour voir lesquelles offraient de meilleures prédictions. Ils ont utilisé différentes manières de créer ces modèles pour s'assurer de leur précision. Dans certains cas, ils ont complété les informations manquantes des patients pour améliorer les résultats des modèles.
L'objectif était de voir à quel point l'IA pouvait prédire des résultats négatifs comparé aux méthodes traditionnelles. Les résultats ont montré que l'utilisation de l'IA et des méthodologies cohérentes pouvait améliorer significativement les prédictions.
Facteurs influençant les résultats des patients
L'étude a mis en avant plusieurs éléments importants. Par exemple, des doses élevées de radiation à certaines glandes se sont révélées être des prédicteurs significatifs de la difficulté à avaler. Étonnamment, ces doses élevées étaient souvent non enregistrées et ne faisaient pas partie des vérifications habituelles.
L'analyse a montré que lorsque les doses de radiation à des glandes spécifiques étaient maintenues plus basses, les patients étaient moins susceptibles de rencontrer des problèmes comme une bouche sèche ou des difficultés à avaler. Ça indique que les plans de soins pourraient devoir changer pour garder ces doses sous contrôle.
Suivre les changements au fil du temps
Au fur et à mesure que les données étaient recueillies sur plusieurs années, il est devenu évident que certains problèmes devenaient moins courants. Par exemple, l'apparition de difficultés sévères à avaler a diminué au fil du temps. Cela suggère que des changements dans les pratiques de traitement pourraient conduire à de meilleurs résultats pour les patients.
Surveiller les taux de survie
En examinant les taux de survie des patients, la recherche a trouvé que des volumes spécifiques de tumeurs dans la gorge étaient des indicateurs clés des résultats. Les patients avec de plus petits volumes de tumeurs avaient de meilleures chances de survivre au-delà de trois ans. Cette info peut être cruciale pour les médecins lorsqu'ils évaluent les risques pour leurs patients.
Importance de l'apprentissage continu
Ces découvertes soulignent l'importance de l'apprentissage continu dans les soins de santé. En mettant régulièrement à jour les pratiques en fonction des données réelles des patients, les soins peuvent être plus efficaces. Les professionnels de la santé devraient adopter des outils qui leur permettent de rassembler et d'analyser efficacement les informations des patients.
Défis liés à l'utilisation de l'IA
Bien qu'il y ait de grands avantages potentiels à utiliser l'IA dans les soins de santé, il y a aussi des défis. Les données peuvent parfois être incomplètes, rendant difficile pour l'IA de fournir des réponses claires. De plus, toutes les solutions d'IA ne surperformeront pas les méthodes statistiques traditionnelles dans tous les cas.
Pour tirer le meilleur parti de l'IA, les fournisseurs de soins de santé doivent s'assurer que les données sont saisies de manière cohérente et standardisée. Sans une saisie de données fiable, le potentiel d'analyse automatisée est considérablement réduit.
L'avenir des soins aux patients
Avec la croissance continue des données et de la technologie, il est probable que l'analyse automatisée devienne une partie standard des soins de santé. L'objectif est de rendre les soins aux patients plus personnalisés et prévisibles.
En se concentrant sur la collecte de données de haute qualité et leur analyse efficace, le secteur de la santé peut s'améliorer considérablement. L'approche adoptée dans cette recherche peut servir de guide pour les professionnels de la santé cherchant à améliorer leurs pratiques.
Conclusion
Automatiser l'apprentissage des patients via les DSE offre un avenir prometteur pour les soins de santé. Ça peut aider à identifier des facteurs cruciaux qui contribuent aux soins des patients, ce qui peut mener à de meilleurs résultats de traitement. À mesure que la technologie continue d'évoluer, il est essentiel que les fournisseurs de soins de santé s'adaptent et utilisent ces outils efficacement pour assurer les meilleurs soins aux patients.
Titre: Data Farming to Table: Combined Use of a Learning Health System Infrastructure, Statistical Profiling, and Artificial Intelligence for Automating Toxicity and 3-year Survival for Quantified Predictive Feature Discovery from Real-World Data for Patients Having Head and Neck Cancers
Résumé: IntroductionClinicians iteratively adjust treatment approaches to improve outcomes but to date, automatable approaches for continuous learning of risk factors as these adjustments are made are lacking. We combined a large-scale comprehensive real-world Learning Health System infrastructure (LHSI), with automated statistical profiling, visualization, and artificial intelligence (AI) approach to test evidence-based discovery of clinical factors for three use cases: dysphagia, xerostomia, and 3-year survival for head and neck cancer patients. Our hypothesis was that the combination would enable automated discovery of prognostic features generating testable insights. MethodsRecords for 964 patients treated at a single instiution for head and neck cancers with conventional fractionation between 2017 and 2022 were used. Combined information on demographics, diagnosis and staging, social determinants of health measures, chemotherapy, radiation therapy dose volume histogram curves, and treatment details, laboratory values, and outcomes from the LHSI to winnow evidence for 485 candidate prognostic features. Univariate statistical profiling using benchmark resampling to detail confidence intervals for thresholds and metrics: area under the curve (AUC), sensitivity (SN), specificity (SP), F1, diagnostic odds ratio (DOR), p values for Wilcoxon Rank Sum (WRS), Kolmogorov-Smirnov (KS), and logistic fits of distributions detailed predictive evidence of individual features. Statistical profiling was used to benchmark, parsimonious XGBoost models were constructed with 10-fold cross validation using training (70%), validation (10%), and test (20%) sets. Probabilistic models utilizing statistical profiling logistic fits of distributions were used to benchmark XGBoost models. ResultsAutomated standardized analysis identified novel features and clinical thresholds. Validity of automated findings were affirmed with supporting literature benchmarks. Average incidence of dysphagia [≥]grade 3 within 1 year of treatment was low (11%). Xerostomia [≥] grade 2 (39% to 16%) and survival [≤] 3 years decreased (25% to 15%) over the time range. Standard planning constraints used limited contribution of those features:: Musc_Constrict_S: Mean[Gy] < 50, Glnd_Submand_High: Mean[Gy] [≤] 30, Glnd_Submand_Low: Mean[Gy] [≤] 10, Parotid_High: Mean[Gy] [≤] 24, Parotid_Low: Mean[Gy] [≤] 10 Additional prognostic features identified for dysphagia included Glnd_Submand_High:D1%[Gy] [≥] 71.1, Glnd_Submand_Low:D4%[Gy] [≥] 55.1, Musc_Constric_S:D10%[Gy] [≥] 56.5, GTV_Low:Mean[Gy] [≥] 71.3. Strongest grade 2 xerostomia feature was Glnd_Submand_Low: D15%[Gy] [≥] 45.2 with a logistic model quantifying a gradual rather than an abrupt increase in probability 13.5 + 0.18 (x-41.0 Gy). Strongest prognostic factors for lower likelihood of death by 3 years were GTV_High: Volume[cc] [≤] 21.1, GTV_Low: Volume[cc] [≤] 57.5, Baseline Neutrophil-Lymphocyte Ratio (NLR) [≤] 5.6, Monocyte-Lymphocyte Ratio (MLR) [≤]0.56, Platelet-Lymphocyte ratio (PLR) [≤] 202.5. All predictors had WRS and KS p values < 0.02. Statistical profiling enabled detailing gains of XGBoost models with respect to individual features. Time period reductions in distribution of GTV volumes correlated with reductions in death by 3 years. DiscussionConfirming our hypothesis, automated, standardized statistical profiling of a set of statistical metrics and visualizations supported detailing predictive strength and confidence intervals of individual features, benchmarking of subsequent AI models, and clinical assessment. Association of high dose values to submandibular gland volumes, highlighted relevance as surrogate measures for proximal un-contoured muscles including digastric muscles. Higher values of PLR, NLR, and MLR were associated with lower survival rates. Combined use of Learning Health System Infrastructure, Statistical Profiling and Artificial Intelligence provided a basis for faster, more efficient evidence-based continuous learning of risk factors and development of clinical trial testable hypothesis. Benchmarking AI models with simple probabilistic models provided a means of understanding when results are driven by general areas of overall risk vs. more complex interactions.
Auteurs: Charles Mayo, S. Su, B. Rosen, E. Covington, Z. Zhang, T. Lawrence, R. Kudner, C. D. Fuller, K. Brock, J. Shah, M. Mierzwa
Dernière mise à jour: 2023-10-25 00:00:00
Langue: English
Source URL: https://www.medrxiv.org/content/10.1101/2023.10.24.23297349
Source PDF: https://www.medrxiv.org/content/10.1101/2023.10.24.23297349.full.pdf
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.