Gli scienziati del Dana-Farber Cancer Institute hanno dimostrato che uno strumento di intelligenza artificiale può funzionare come i revisori umani, e molto più rapidamente, nell'estrarre informazioni cliniche sui cambiamenti nei tumori da referti radiologici non strutturati per pazienti con cancro ai polmoni.

Lo strumento di intelligenza artificiale ha funzionato in modo comparabile a "curatori" umani addestrati nel rilevare la presenza di cancro; e se stava rispondendo agli interventi di trattamento, stabile o in peggioramento.

L'obiettivo dello studio, ha detto l'autore corrispondente Kenneth Kehl, dottore, MPH, un oncologo medico e membro di facoltà del Dipartimento di Scienze della popolazione a Dana-Faber, era determinare se gli strumenti di intelligenza artificiale possono estrarre i risultati del cancro di maggior valore dai rapporti di radiologia, che sono una fonte di dati onnipresente ma non strutturata.

Kehl ha osservato che le cartelle cliniche elettroniche ora raccolgono grandi quantità di informazioni su migliaia di pazienti visitati in un centro come Dana-Farber. Però, a meno che i pazienti non siano arruolati in studi clinici, informazioni sui loro risultati, ad esempio se i loro tumori crescono o si riducono in risposta al trattamento, è registrato solo nel testo della cartella clinica. Storicamente, queste informazioni non strutturate non sono suscettibili di analisi computazionale e quindi non potrebbero essere utilizzate per la ricerca sull'efficacia del trattamento.

A causa di studi come l'iniziativa Profile presso Dana-Farber/Brigham e il Women's Cancer Center, che analizza i campioni di tumore dei pazienti e crea profili che rivelano varianti genomiche che possono predire la risposta ai trattamenti, I ricercatori di Dana-Farber hanno accumulato una grande quantità di informazioni molecolari sui tumori dei pazienti. "Ma può essere difficile applicare queste informazioni per capire quali modelli molecolari prevedono beneficio dai trattamenti senza una revisione approfondita delle cartelle cliniche dei pazienti per misurare i loro risultati. Questa è una barriera fondamentale per realizzare il pieno potenziale della medicina di precisione, " ha detto Kehl.

Per lo studio in corso, Kehl e colleghi hanno ottenuto oltre 14, 000 report di imaging per 1, 112 pazienti e record rivisti manualmente utilizzando il framework "PRISSMM". PRISSMM è uno standard di dati fenomici sviluppato da Dana-Farber che prende i dati non strutturati dai referti testuali nelle cartelle cliniche elettroniche e li struttura in modo che possano essere prontamente analizzati. PRISSMM struttura i dati relativi alla patologia del paziente, radiologia/imaging, segni/sintomi, marcatori molecolari, e la valutazione di un medico oncologo per creare un ritratto del viaggio del malato di cancro.

I revisori umani hanno analizzato i rapporti del testo di imaging e hanno notato se il cancro era presente e, se è così, se stava peggiorando o migliorando, e se il cancro si fosse diffuso a specifici siti del corpo. Questi rapporti sono stati quindi utilizzati per addestrare un modello computazionale di "apprendimento profondo" per riconoscere questi risultati dai rapporti di testo. "La nostra ipotesi era che gli algoritmi di deep learning potessero utilizzare i report di testo di radiologia generati di routine per identificare la presenza di cancro e i cambiamenti nella sua estensione nel tempo, " scrivono gli autori.

I ricercatori hanno confrontato le misurazioni umane e computerizzate di esiti come la sopravvivenza libera da malattia, sopravvivenza libera da progressione, e tempo per il miglioramento o la risposta, e ha scoperto che l'algoritmo AI potrebbe replicare la valutazione umana di questi risultati. Gli algoritmi di deep learning sono stati poi applicati per annotare altri 15, 000 rapporti per 1, 294 pazienti le cui cartelle non erano state riviste manualmente. Gli autori hanno scoperto che le misurazioni dei risultati al computer tra questi pazienti prevedevano la sopravvivenza con un'accuratezza simile alle valutazioni umane tra i pazienti esaminati manualmente.

I curatori umani sono stati in grado di annotare i rapporti di imaging per circa tre pazienti all'ora, un ritmo al quale un curatore avrebbe bisogno di circa sei mesi per annotare tutti i quasi 30, 000 report di imaging per i pazienti della coorte. Al contrario, il modello di intelligenza artificiale sviluppato dai ricercatori potrebbe annotare i rapporti di imaging per la coorte in circa 10 minuti, i ricercatori hanno detto in un rapporto in JAMA Oncologia .

"Per creare un vero sistema sanitario di apprendimento per l'oncologia e per facilitare la fornitura di medicina di precisione su larga scala, sono necessari metodi per accelerare la cura degli esiti correlati al cancro dalle cartelle cliniche elettroniche, " hanno affermato gli autori della pubblicazione. Se applicato ampiamente, hanno detto gli inquirenti, "Questa tecnica potrebbe accelerare sostanzialmente gli sforzi per utilizzare i dati del mondo reale di tutti i pazienti con cancro per generare prove sull'efficacia degli approcci terapeutici". I prossimi passi includeranno il test di questo approccio sui dati EHR di altri centri oncologici e l'utilizzo dei dati per scoprire quali trattamenti funzionano meglio per quali pazienti.