Машинное обучение помогает обнаруживать лимфедему у выживших после рака груди

Машинное обучение помогает обнаруживать лимфедему у выживших после рака груди

Машинное обучение с использованием отчетов о симптомах в режиме реального времени может точно определить лимфедему – неприятный побочный эффект лечения рака груди, который легче вылечить, если его выявить на ранней стадии, – говорится в новом исследовании, проведенном Колледжем медсестер им. Рори Мейерса Нью-Йоркского университета и опубликованном в журнале mHealth.

"Использование хорошо обученного алгоритма классификации для обнаружения лимфедемы на основе отчетов о симптомах в режиме реального времени – очень многообещающий инструмент, который может улучшить исходы лимфедемы," сказал Мэй Р Фу, Ph.D., RN, FAAN, доцент кафедры медсестер Нью-Йоркского университета Мейерс и ведущий автор исследования.

Лимфедема – это скопление лимфатической жидкости, которое вызывает отек рук или ног и обычно вызвано удалением лимфатических узлов в рамках лечения рака. Это может произойти сразу после операции по поводу рака или спустя 20 лет после операции; недавнее исследование показало, что более 41 процента пациентов с раком груди испытали лимфедему на руках в течение 10 лет после операции.

Лимфедема является одним из самых страшных побочных эффектов лечения рака груди из-за его хронического характера и изнурительных симптомов, включая отек рук, тяжесть, стеснение, болезненность, скованность, жжение и снижение подвижности. Хотя от лимфедемы нет лекарства, раннее выявление и вмешательство могут уменьшить симптомы и предотвратить их ухудшение, хотя раннее выявление остается проблемой.

"Клиницисты часто обнаруживают или диагностируют лимфедему на основании наблюдений за опухолью. Однако к тому времени, когда отек можно будет наблюдать или измерить, лимфедема обычно возникает в течение некоторого времени, что может привести к плохим клиническим результатам," сказал Фу.

"В нашу цифровую эпоху интеграция технологий в здравоохранение привела к прогрессу в обнаружении и прогнозировании различных заболеваний," сказал Яо Ван, доктор философии.D., профессор электротехники и компьютерной инженерии в инженерной школе Тандон Нью-Йоркского университета и соавтор исследования.

Тип искусственного интеллекта, машинное обучение, представляет интерес для исследователей из-за его способности создавать алгоритмы, которые постоянно улучшают прогнозы и генерируют автоматизированные знания с помощью предсказаний на основе данных или решений на основе входящих данных – в данном случае отчетов о симптомах. Машинное обучение особенно полезно, когда существует множество важных факторов, которые не являются независимыми, что верно для симптомов лимфедемы.

В этом исследовании исследователи использовали веб-инструмент для сбора информации о 355 женщинах, которые прошли лечение от рака груди, в том числе хирургическое вмешательство. Помимо обмена демографической и клинической информацией, в том числе о том, была ли у них диагностирована лимфедема, участников спросили, испытывают ли они в настоящее время 26 различных симптомов лимфедемы.

Статистические процедуры и процедуры машинного обучения были выполнены для анализа данных. Было проведено сравнение пяти различных алгоритмов классификации машинного обучения: Дерево решений C4.5, Дерево принятия решений C5.0, модель повышения градиента, искусственная нейронная сеть и машина опорных векторов. Алгоритмы также сравнивались с традиционным статистическим подходом, который определяет оптимальный порог для подсчета симптомов на основе рабочей кривой приемника.

Исследователи обнаружили, что все пять подходов к машинному обучению превзошли стандартный статистический подход, а искусственная нейронная сеть показала наилучшую производительность для выявления лимфедемы. Искусственная нейронная сеть была 93.Точность 75 процентов, правильная классификация пациентов с истинными случаями лимфедемы или нелимфедемными случаями на основе описанных симптомов.

"Такая точность обнаружения значительно выше, чем достижимая с помощью современных и часто используемых клинических методов," сказал Фу.

Исследователи отмечают, что проведение такой оценки лимфедемы в реальном времени побуждает пациентов контролировать свой статус лимфедемы без необходимости посещения медицинского работника. Основываясь на симптомах пациентов и связанном с этим риске лимфедемы, система оценки может предупреждать пациентов из группы риска о назначении личных клинических посещений для дальнейшей оценки. Это может снизить нагрузку на пациентов и систему здравоохранения в связи с ненужными посещениями врача.

"Это может снизить расходы на здравоохранение и оптимизировать использование ресурсов здравоохранения за счет раннего выявления лимфедемы и вмешательства, что может снизить риск прогрессирования лимфедемы до более тяжелых стадий," Фу сказал.