Спортивные игры могут помочь в создании более точных прогнозов для онкологических больных

        

В этом сезоне глобальных футбольных соревнований и горячих споров в политических праймериз букмекеры и эксперты изучают каждый развивающийся клочок информации и просеивают горы данных, пытаясь предсказать исход следующей игры или выборов. Эти прогнозы могут измениться на десять центов, однако, из-за плохого паса игрока или звездных дебатов кандидата.

Статистики ссылаются на методику включения разнообразной постоянно генерируемой информации – кто находится на скамейке запасных, кто получил травму в первой половине матча, кто вчера хорошо провел опрос в Айове – как расчет вероятности выигрыша в игре и он использовался в течение десятилетий для прогнозирования результатов текущих спортивных матчей или выборов.

Теперь исследователи из Медицинской школы Стэнфордского университета взяли страницу из этого сборника, чтобы получить более точные прогнозы для больных раком. Они сделали это, разработав компьютерный алгоритм, который может интегрировать множество различных типов прогнозирующих данных – в том числе ответ опухоли на лечение и количество раковой ДНК, циркулирующей в крови пациента во время терапии – для создания единой динамической оценки риска. в любой момент времени в течение курса лечения пациента. Такое продвижение может иметь глубокое значение для пациентов и их врачей.

Когда мы заботимся о наших пациентах, мы ходим на скорлупе яйца в течение глубокого периода времени, пытаясь определить, действительно ли рак исчез, или он может вернуться. И пациенты задаются вопросом: «Должен ли я планировать посетить свадьбу моего ребенка следующим летом, или я должен уделять первостепенное внимание составлению моей воли?» Мы пытаемся придумать лучший способ предсказать в любой точке курса лечения пациента, каким будет его исход ».

Эш Ализаде, доктор медицинских наук, доцент медицины

Удивительно, но исследователи также обнаружили, что подход, который они назвали CIRI для непрерывного индивидуализированного индекса риска, может также помочь врачам точно определить людей, которым может помочь раннее, более агрессивное лечение, а также тех, кто может лечиться стандартными методами.

Исследование будет опубликовано в сети 4 июля в Cell . Ализаде, онколог из Стэнфордского департамента здравоохранения, специализирующийся на лечении пациентов с раком крови, делится авторством с доцентом радиационной онкологии Максмилиан Дин, доктор медицинских наук. Преподаватель медицины Дэвид Курц, доктор медицинских наук, и докторанты Мохаммад Исфахани, доктор философии, и Флориан Шерер, доктор медицины, являются ведущими авторами.

Получение более полной картины

Исследователи начали свое исследование с изучения людей, у которых ранее была диагностирована диффузная крупная B-клеточная лимфома, которая является наиболее распространенным раком крови в Соединенных Штатах. Хотя почти две трети взрослых с DLBCL излечиваются с помощью стандартных протоколов лечения, оставшаяся треть, вероятно, умрет от этой болезни.

Когда пациенту с DLBCL поставлен диагноз, такие врачи, как Ализаде, Дин и Курц, оценивают начальные симптомы, тип клетки, из которой возник рак, а также размер и местоположение опухоли после первого сканирования, чтобы сформировать первоначальный прогноз. Совсем недавно клиницисты также смогли оценить количество опухолевой ДНК, циркулирующей в крови пациента после первых одного или двух раундов терапии, чтобы определить, как реагирует опухоль, и оценить общий риск смерти пациента от его заболевания.

Но каждая из этих ситуаций дает риск, основанный на снимке во времени, а не на агрегации всех доступных данных для генерации единой динамической оценки риска, которая может обновляться в течение всего курса лечения пациента.

«То, что мы делаем сейчас, похоже на попытку предсказать исход баскетбольного матча, настроившись в перерыве, чтобы проверить счет, или наблюдая только за подсказкой, – сказал Дин, – когда на самом деле мы знаем, что В течение первого полугодия могло произойти любое количество вещей, которые мы не принимаем во внимание. Мы хотели узнать, лучше ли смотреть на последнюю доступную информацию о пациенте, на самую раннюю информацию, которую мы собрали, или на Лучше всего агрегировать все эти данные за многие моменты времени. "

Ализаде и его коллеги собрали данные о более чем 2500 пациентах с DLBCL из 11 ранее опубликованных исследований, для которых были доступны три наиболее распространенных предиктора прогноза. Они использовали данные для обучения компьютерному алгоритму, чтобы распознать закономерности и комбинации, которые могут повлиять на то, прожил ли пациент в течение по крайней мере 24 месяцев после, казалось бы, успешного лечения без повторения заболевания. Они также включали информацию от 132 пациентов, для которых были доступны данные об уровнях циркулирующей опухолевой ДНК до и после первого и второго раундов лечения.

«Наши стандартные методы прогнозирования прогнозов у ​​этих пациентов не настолько точны», – сказал Курц. «Используя стандартные базовые переменные, это становится почти хрустальным шаром. Если абсолютно точный тест имеет 1 балл, а тест, который случайным образом распределяет пациентов в одну из двух групп, имеет 0,5 балла – по сути, бросок монеты – наш нынешние методы получили оценку около 0,6. Но оценка CIRI была около 0,8. Не идеально, но заметно лучше, чем мы делали в прошлом ».

Определение лучших вариантов лечения

Затем исследователи проверили эффективность CIRI на данных ранее опубликованных групп людей с распространенным лейкозом и еще одного на пациентах с раком молочной железы. Хотя прогностические показатели варьировались для каждой болезни, они обнаружили, что благодаря последовательной интеграции прогнозной информации с течением времени CIRI превзошла стандартные методы. Кроме того, он предположил, что было бы полезно выявить пациентов, которым может потребоваться более агрессивное вмешательство в течение одного или двух циклов лечения, а не ждать, чтобы увидеть, рецидив заболевания.

«Чего я не ожидал, так это того, что агрегация всей этой информации во времени также может быть предсказательной», – сказал Ализаде. «Это может сказать нам:« Вы идете по неверному пути с этой терапией, и эта другая терапия может быть лучше ». Теперь у нас есть математическая модель, которая может помочь нам определить подгруппы пациентов, которые вряд ли преуспеют в стандартном лечении ».

Исследователи планируют проверить прогностические возможности CIRI у людей, недавно диагностированных с агрессивной лимфомой.

Работа является примером того, как Стэнфордская Медицина делает упор на точном здоровье, цель которого – предвидеть и предотвращать заболевания у здоровых, точно диагностировать и лечить болезни у больных.

        
      

Source link