Wetenschappers van het Dana-Farber Cancer Institute hebben aangetoond dat een instrument voor kunstmatige intelligentie even goed kan presteren als menselijke beoordelaars - en veel sneller - bij het extraheren van klinische informatie over veranderingen in tumoren uit ongestructureerde radiologische rapporten voor patiënten met longkanker.

De AI-tool presteerde vergelijkbaar met getrainde menselijke "curators" bij het detecteren van de aanwezigheid van kanker; en of het reageerde op behandelingsinterventies, stabiel of verslechtert.

Het doel van de studie, zei corresponderende auteur Kenneth Kehl, MD, MPH, een medisch oncoloog en faculteitslid van de afdeling Populatiewetenschappen van Dana-Faber, was om te bepalen of kunstmatige-intelligentietools de meest hoogwaardige kankerresultaten uit radiologierapporten kunnen halen, die een alomtegenwoordige maar ongestructureerde gegevensbron zijn.

Kehl merkte op dat elektronische medische dossiers nu enorme hoeveelheden informatie verzamelen over duizenden patiënten die in een centrum als Dana-Farber zijn gezien. Echter, tenzij de patiënten deelnemen aan klinische onderzoeken, informatie over hun resultaten, zoals of hun kanker groeit of krimpt als reactie op de behandeling, wordt alleen vastgelegd in de tekst van het medisch dossier. historisch, deze ongestructureerde informatie is niet vatbaar voor computationele analyse en kan daarom niet worden gebruikt voor onderzoek naar de effectiviteit van behandeling.

Vanwege studies zoals het Profile-initiatief bij Dana-Farber/Brigham en Women's Cancer Center, die tumormonsters van patiënten analyseert en profielen maakt die genomische varianten onthullen die de respons op behandelingen kunnen voorspellen, Dana-Farber-onderzoekers hebben een schat aan moleculaire informatie verzameld over kankerpatiënten. "Maar het kan moeilijk zijn om deze informatie toe te passen om te begrijpen welke moleculaire patronen voordeel van behandelingen voorspellen zonder intensieve beoordeling van de medische dossiers van patiënten om hun resultaten te meten. Dit is een kritieke barrière voor het realiseren van het volledige potentieel van precisiegeneeskunde, ' zei Kehl.

Voor het huidige onderzoek Kehl en collega's behaalden meer dan 14, 000 beeldvormingsrapporten voor 1, 112 patiënten en handmatig beoordeelde records met behulp van het "PRISSMM" -raamwerk. PRISSMM is een door Dana-Farber ontwikkelde fenomische gegevensstandaard die ongestructureerde gegevens uit tekstrapporten in elektronische medische dossiers haalt en deze structureert zodat ze gemakkelijk kunnen worden geanalyseerd. PRISSMM structureert gegevens met betrekking tot de pathologie van een patiënt, radiologie/beeldvorming, tekenen/symptomen, moleculaire markers, en de beoordeling van een medisch oncoloog om een ​​portret te maken van de reis van de kankerpatiënt.

Menselijke recensenten analyseerden de beeldvormende tekstrapporten en merkten op of kanker aanwezig was en, als, of het nu verslechterde of verbeterde, en of de kanker zich had verspreid naar specifieke lichaamsplaatsen. Deze rapporten werden vervolgens gebruikt om een ​​computationeel "deep learning" -model te trainen om deze resultaten uit de tekstrapporten te herkennen. "Onze hypothese was dat deep learning-algoritmen routinematig gegenereerde radiologische tekstrapporten konden gebruiken om de aanwezigheid van kanker en veranderingen in de omvang ervan in de tijd te identificeren, ’ schreven de auteurs.

De onderzoekers vergeleken menselijke en computermetingen van uitkomsten zoals ziektevrije overleving, progressievrije overleving, en tijd tot verbetering of reactie, en ontdekte dat het AI-algoritme de menselijke beoordeling van deze resultaten kon repliceren. De deep learning-algoritmen werden vervolgens toegepast om nog eens 15 te annoteren, 000 rapporten voor 1, 294 patiënten van wie de gegevens niet handmatig waren gecontroleerd. De auteurs ontdekten dat computeruitkomstmetingen bij deze patiënten de overleving voorspelden met een vergelijkbare nauwkeurigheid als menselijke beoordelingen bij de handmatig beoordeelde patiënten.

De menselijke curatoren waren in staat om beeldverslagen te annoteren voor ongeveer drie patiënten per uur, een snelheid waarbij één curator ongeveer zes maanden nodig zou hebben om alle bijna 30 te annoteren, 000 beeldvormingsrapporten voor de patiënten in het cohort. Daarentegen, het kunstmatige-intelligentiemodel dat de onderzoekers ontwikkelden, kon de beeldvormingsrapporten voor het cohort in ongeveer 10 minuten annoteren, zeiden de onderzoekers in een rapport in JAMA Oncologie .

"Om een ​​echt lerend gezondheidssysteem voor oncologie te creëren en om de levering van precisiegeneeskunde op grote schaal te vergemakkelijken, er zijn methoden nodig om de genezing van kankergerelateerde resultaten uit elektronische medische dossiers te versnellen, " zeiden de auteurs van de publicatie. Als het op grote schaal wordt toegepast, zeiden de onderzoekers, "Deze techniek zou de inspanningen om real-world gegevens van alle patiënten met kanker te gebruiken aanzienlijk kunnen versnellen om bewijs te genereren met betrekking tot de effectiviteit van behandelingsbenaderingen." De volgende stappen omvatten het testen van deze aanpak op EPD-gegevens van andere kankercentra en het gebruik van de gegevens om te ontdekken welke behandelingen het beste werken voor welke patiënten.