L'apprendimento automatico prevede i tumori dell'esofago e dello stomaco utilizzando i dati EHR

Fonte: Getty Images

Di Shania Kennedy

28 agosto 2023 - Un modello di machine learning (ML) può prevedere automaticamente l'adenocarcinoma esofageo (EAC) e l'adenocarcinoma del cardias gastrico (GCA) tre anni prima di una diagnosi formale, secondo uno studio pubblicato di recente su Gastroenterology.

I ricercatori hanno indicato che i tassi di EAC e GCA sono aumentati in modo significativo negli Stati Uniti e in altri paesi occidentali negli ultimi cinquant’anni, facilitando la necessità di un migliore screening.

"Lo screening può identificare cambiamenti precancerosi nei pazienti, l'esofago di Barrett, che a volte viene diagnosticato in soggetti che soffrono di malattia da reflusso gastroesofageo a lungo termine, o GERD", ha spiegato Joel Rubenstein, MD, professore di medicina interna alla Michigan Medicine e ricercatore scienziato presso il tenente colonnello Charles S. Kettles Veterans Affairs Center for Clinical Management Research, in un comunicato stampa che descrive in dettaglio la ricerca.

La diagnosi precoce di questi tumori può aiutare i pazienti e i team sanitari ad adottare misure per prevenirne la progressione, ma molti fornitori non sono a conoscenza delle linee guida di screening pertinenti. Di conseguenza, si scopre che molti pazienti con diagnosi di EAC o GCA non sono mai stati sottoposti ad alcuno screening, ha continuato.

Per contribuire ad affrontare questo problema, il gruppo di ricerca ha cercato di costruire uno strumento automatizzato che potesse essere incorporato nelle cartelle cliniche elettroniche per aiutare a guidare il processo decisionale clinico.

Il modello risultante, il Kettles Esophageal and Cardia Adenocarcinoma prediction (K-ECAN), è stato addestrato utilizzando i dati del Corporate Data Warehouse della Veterans Health Administration (VHA). Da lì, 8.430 pazienti con diagnosi di EAC e 2.965 di GCA sono stati identificati nel Registro centrale dei tumori del VHA e confrontati con 10.256.887 controlli.

"K-ECAN utilizza informazioni di base già disponibili nell'EHR, come dati demografici del paziente, peso, diagnosi precedenti e risultati di laboratorio di routine, per determinare il rischio di un individuo di sviluppare adenocarcinoma esofageo e adenocarcinoma del cardias gastrico", ha affermato Rubenstein.

Ciò può aiutare gli operatori a determinare meglio il rischio di ciascun paziente.

"I sintomi del GERD, come il bruciore di stomaco, sono un importante fattore di rischio per l'adenocarcinoma esofageo", ha affermato Rubenstein. “Ma la maggior parte delle persone con sintomi di GERD non svilupperà mai l’adenocarcinoma esofageo e l’adenocarcinoma del cardias gastrico. Inoltre, circa la metà dei pazienti affetti da questa forma di cancro non ha mai manifestato precedenti sintomi di GERD. Ciò rende K-ECAN particolarmente utile perché può identificare le persone ad alto rischio, indipendentemente dal fatto che abbiano o meno sintomi di GERD”.

Si è scoperto che il modello ha una migliore discriminazione rispetto alle linee guida esistenti e a due modelli di previsione precedentemente convalidati, e Rubenstein ha osservato che K-ECAN può “prevedere con precisione il cancro almeno tre anni prima di una diagnosi”.

Il gruppo di ricerca ha indicato che l’integrazione di uno strumento come K-ECAN nelle cartelle cliniche elettroniche potrebbe aiutare ad avvisare gli operatori riguardo a quali pazienti sono a rischio di EAC o GCA tramite una notifica automatica nei momenti opportuni, ad esempio quando il paziente deve sottoporsi a uno screening colorettale.

Ciò, hanno suggerito, potrebbe ridurre significativamente il peso di questi tumori.

Andando avanti, i ricercatori lavoreranno per convalidare K-ECAN al di fuori del VHA.

Sono in corso anche altri sforzi per migliorare la cura del cancro utilizzando il machine learning.

All’inizio di questo mese, i ricercatori hanno convalidato esternamente un modello ML sviluppato per prevedere il rischio di mortalità a sei mesi per i pazienti con cancro avanzato che iniziano una nuova linea di terapia (LOT).

Il modello è stato originariamente creato per classificare il rischio di mortalità dei pazienti per facilitare le conversazioni su malattie gravi tra operatori e pazienti in vari punti decisionali sul trattamento (TDP).

Il modello utilizza 45 funzionalità raccolte dalle cartelle cliniche elettroniche che sono implementabili tramite lo standard Fast Healthcare Interoperability Resources (FHIR) ed è stato riscontrato che classifica accuratamente il rischio di mortalità dei pazienti, evidenziando il potenziale di questi strumenti nelle cure oncologiche.