Naukowcy wykorzystali dane z dokumentacji medycznej pacjentów w Stanach Zjednoczonych i Danii w latach 1977-2020. Przyjrzeli się kohorcie 6,2 miliona duńskich pacjentów, z których 23 985 miało raka trzustki, oraz 3 miliony personelu wojskowego otrzymującego leczenie. Dzięki Veterans Affairs ostatecznie zidentyfikowano 3864 z nich.
Naukowcy wykorzystali model uczenia maszynowego do analizy danych, ucząc go przewidywania ryzyka raka na podstawie objawów i różnych kodów diagnostycznych w dokumentacji medycznej pacjentów.
Niektóre objawy związane z rokowaniem wysokiego ryzyka nie są tradycyjnie związane z rakiem trzustki. Kamienie żółciowe, cukrzyca typu 2, niedokrwistość i objawy żołądkowo-jelitowe, takie jak wymioty i ból brzucha, były powiązane z wyższym wynikiem ryzyka trzy lata przed diagnozą.
Naukowcy piszą, że w rzeczywistym scenariuszu model AI rozwinąłby raka trzustki u 320 na każde 1000 osób zidentyfikowanych jako osoby wysokiego ryzyka. Ukierunkowując nadzór na pacjentów wysokiego ryzyka, narzędzie może sprawić, że badania przesiewowe będą bardziej przystępne cenowo, piszą.
Obecnie amerykańska grupa zadaniowa ds. usług prewencyjnych tego nie robi rekomendacje Badania przesiewowe osób bezobjawowych w kierunku raka trzustki. Badania przesiewowe pacjentów wysokiego ryzyka związany z Istnieje jednak większa szansa na długoterminowe przeżycie.
„Narzędzie sztucznej inteligencji, które może skoncentrować się na osobach z grupy wysokiego ryzyka raka trzustki, które odniosłyby największe korzyści z badań, może znacznie przyczynić się do poprawy procesu podejmowania decyzji klinicznych” – powiedział współautor badania Chris Sander, biolog . Harvard Medical School Laboratorium W jednej wiadomości biologia jest poświęcona wykorzystaniu uczenia maszynowego i innych technologii do rozwiązywania problemów oswobodzenie.
Stosowane na dużą skalę, takie narzędzie może wydłużyć życie i poprawić wyniki leczenia, powiedział Sander.
