- Новое исследование предполагает, что модель искусственного интеллекта может идентифицировать людей с более высоким риском рака поджелудочной железы за 5 лет до постановки диагноза, используя обычные электронные медицинские записи и лабораторные данные.
- Результаты показывают многообещающую прогностическую эффективность, предполагая, что модель искусственного интеллекта может эффективно различать людей с более высоким и низким риском рака поджелудочной железы.
- Тем не менее, дальнейшие исследования все еще необходимы, и проводятся проспективные испытания с планами оценить модель ИИ в системе здравоохранения, прежде чем определить, может ли она играть роль в повседневной клинической помощи.
Рак поджелудочной железы встречается относительно редко, но имеет непропорционально высокое бремя смертности. По оценкам, в Соединенных Штатах примерно
Несмотря на то, что рак поджелудочной железы составляет примерно 3% всех новых случаев рака, на его долю приходится примерно
Рак поджелудочной железы может быть
Теперь исследования показывают, что модель искусственного интеллекта (ИИ) может идентифицировать людей с повышенным риском рака поджелудочной железы уже за 5 лет до того, как он станет клинически очевидным, используя информацию, регулярно собираемую в электронных медицинских картах.
Результаты были представлены на клиническом конгрессе Американского колледжа хирургов (ACS) 2026 года в Вашингтоне, округ Колумбия, исследователями клиники Мэйо. Таким образом, важно отметить, что результаты еще не прошли экспертную оценку.
Ранние признаки рака поджелудочной железы в рутинных медицинских данных
Исследователи разработали модель, используя продольную информацию о состоянии здоровья из системы здравоохранения клиники Мэйо. Согласно пресс-релизу, это касалось электронных медицинских карт почти 40 000 пациентов и результатов рутинных лабораторных анализов, собранных за многие годы.
Сюда вошли 6066 человек, у которых развился рак поджелудочной железы, и 33 396 человек, входивших в контрольную группу. Для анализа у участников была доступна история болезни от 7,5 до 19 лет. Целью исследователей было определить, могут ли закономерности в рутинных медицинских данных выявить едва заметные признаки, связанные с повышенным риском развития рака поджелудочной железы в будущем.
Рак поджелудочной железы может развиваться в течение многих лет. Однако клинические признаки, которые побудят врача или пациента исследовать заболевание, могут проявиться гораздо позже.
Поскольку рак поджелудочной железы встречается относительно редко среди населения в целом, регулярный скрининг всех людей на это заболевание в настоящее время не считается возможным. Таким образом, подход, который мог бы выявить людей с повышенным риском, мог бы позволить дальнейшей оценке сосредоточиться на этой группе.
«Самым важным открытием было то, что тонкие закономерности на протяжении всего пути пациента к медицинскому обслуживанию могут выявить повышенный риск рака поджелудочной железы за пять лет до того, как диагноз был впервые документирован», — рассказал ведущий автор исследования Крис Варгезе, MBChB, аналитик хирургических данных в клинике Майо. Медицинские новости сегодня.
«Это создает потенциальную возможность для продвижения выявления вверх по течению — от реагирования на симптомы к упреждающему выявлению пациентов, которым может быть полезен более ранний целенаправленный скрининг или дальнейшая оценка — подход, который исторически был трудным, поскольку рак поджелудочной железы встречается относительно редко, а существующие скрининговые тесты непрактичны для широкого использования среди населения».
— Крис Варгезе, МБЧБ
Насколько точно модель ИИ определила риск?
Исследователи оценили способность модели различать людей, у которых позже разовьется рак поджелудочной железы, и людей с меньшим риском.
Варгезе сообщил МНТ что в реферат добавлено больше данных. За пять лет до постановки диагноза рака поджелудочной железы модель достигла площади под кривой рабочей характеристики приемника (AUROC) 0,853 у немного меньшей группы пациентов. Обновленные цифры составляют 0,84 за 1 год, 0,80 за 2 года и 0,76 за 3 года до постановки диагноза.
Значения AUROC варьируются от 0,5, что указывает на эффективность, не превышающую случайность, до 1,0, что соответствует идеальной дискриминации.
Модель также имела площадь под кривой точности-воспоминания (AUPRC) 0,712 — показатель, который может быть особенно полезен при изучении относительно редких исходов, таких как рак поджелудочной железы.
Исследователи дополнительно оценили калибровку или то, насколько близко прогнозируемый риск модели соответствует тому, что произошло в исследуемой популяции. Заявленный наклон калибровочного графика составил 1,08.
«AUROC в этом диапазоне означает, что модель достаточно хорошо различает людей с более высоким риском рака поджелудочной железы от тех, кто находится в группе более низкого риска», — объяснил Варгезе МНТ. «Но для клинического использования калибровка — действительно ли риск, предсказанный моделью, соответствует уровню заболеваемости раком поджелудочной железы, который мы наблюдаем на практике, — также очень важна».
«Учитывая эти многообещающие результаты и продолжающиеся исследования, которые могут еще больше повысить производительность с использованием более совершенных моделей искусственного интеллекта, следующей задачей является определение того, какой уровень прогнозируемого риска должен вызвать дополнительную оценку. Этот порог может отличаться в зависимости от рассматриваемого последующего теста, его рисков и затрат, а также потенциальной выгоды от более раннего выявления рака».
— Крис Варгезе, МБЧБ
«Определение этих пороговых значений и тестирование того, как модель работает в реальном режиме скрининга, являются важными следующими шагами», — сказал Варгезе.
В пресс-релизе исследователи привели пример того, как потенциально можно интерпретировать прогнозируемый риск: среди людей, для которых модель оценивала риск рака поджелудочной железы более чем на 50%, у 88% это заболевание было диагностировано в течение года.
Важно отметить, что эти результаты описывают эффективность модели в наборе исследовательских данных. Они еще не установили, что использование системы искусственного интеллекта в повседневной клинической помощи улучшит выявление рака поджелудочной железы или результаты лечения пациентов.
«Мы обнаружили, что прогнозы модели были в значительной степени основаны на рутинных анализах крови, особенно на компонентах общего анализа крови, которые часто получают по другим причинам или в рамках обычного ухода», — рассказал соавтор исследования Корнелиус Тильс, доктор медицинских наук, MBA, хирург-онколог в клинике Майо. МНТ.
«Ожидаемые клинические ассоциации, такие как диабет, панкреатит и другие заболевания поджелудочной железы, также были важны. Кроме того, закономерности в, казалось бы, несвязанных между собой взаимодействиях со здравоохранением предоставили полезную информацию. Ни один из этих сигналов сам по себе не был бы достаточен, чтобы предположить будущий диагноз рака поджелудочной железы, но модель искусственного интеллекта смогла изучить то, как они появлялись и менялись с течением времени на протяжении всей истории болезни пациента».
— Корнелиус Тильс, доктор медицинских наук, MBA
Можно ли использовать эту модель в клинической практике?
Текущие результаты являются ранним шагом, а не свидетельством того, что модель искусственного интеллекта готова к использованию в качестве скринингового теста на рак поджелудочной железы.
Исследователи говорят, что они разработали систему, полагаясь в первую очередь на информацию, которая уже регулярно собирается в медицинских учреждениях.
В настоящее время исследователи выводят модель за рамки ретроспективного анализа и переходят к проспективным исследованиям в клинике Мэйо. Команда также планирует оценить модель в системе здравоохранения за пределами Мейо и исследует новые подходы машинного обучения, которые могут еще больше улучшить ее производительность.
Перспективная проверка будет важна, поскольку модель ИИ может работать по-разному, если ее применять к пациентам за пределами набора данных, на котором она была разработана. Исследователям также необходимо будет определить, как модель работает в различных системах здравоохранения и группах пациентов.
Что происходит с теми, кто отнесен к группе повышенного риска?
Другой важный вопрос заключается в том, что должно произойти после того, как кто-то будет идентифицирован как находящийся в группе повышенного риска. Инструмент прогнозирования потенциально может привести к дополнительному тестированию или визуализации, но такое последующее наблюдение должно будет сбалансировать потенциальную выгоду от более раннего выявления рака с рисками, затратами и беспокойством, связанными с ложноположительными результатами.
Если дальнейшие исследования подтвердят, что модель может надежно идентифицировать людей, у которых может развиться рак поджелудочной железы, до появления симптомов или обычных клинических признаков, она может в конечном итоге предоставить врачам еще один инструмент для принятия решения о том, кому может быть полезен более тщательный мониторинг или дальнейшая оценка.
«Определение того, что должно произойти после того, как кто-то помечен как человек с высоким уровнем риска, является одним из наиболее сложных и важных следующих шагов, и мы пока не знаем оптимального подхода», — объяснил Тильс МНТ.
«Мы надеемся, что, выявив сначала меньшую группу населения с более высоким риском, последующие скрининговые тесты, такие как КТ, МРТ, эндоскопическое ультразвуковое исследование или тесты на биомаркеры на основе крови, могут работать лучше и стать более практичными. Мы и другие активно работаем над тем, чтобы определить, как лучше всего сочетать цифровое прогнозирование риска с этими последующими тестами, и проспективно проверять эти стратегии, прежде чем они будут готовы к внедрению среди пациентов».
— Корнелиус Тильс, доктор медицинских наук, MBA