కొత్త AI ప్లాట్‌ఫారమ్ క్లినికల్ ట్రయల్ నుండి ఏ రోగులు ఎక్కువగా ప్రయోజనం పొందగలరో గుర్తిస్తుంది

లో ప్రచురించబడిన అధ్యయనం ప్రకృతి వైద్యంబోర్డ్-సర్టిఫైడ్ మెడికల్ ఆంకాలజిస్ట్ రవి బి. పారిఖ్, MD, MPP, ఎమోరీ యూనివర్సిటీలోని విన్‌షిప్ క్యాన్సర్ ఇన్‌స్టిట్యూట్‌లో డేటా అండ్ టెక్నాలజీ అప్లికేషన్స్ షేర్డ్ రిసోర్స్ యొక్క మెడికల్ డైరెక్టర్ మరియు ఎమోరీ యూనివర్శిటీ స్కూల్‌లో హెమటాలజీ అండ్ మెడికల్ ఆంకాలజీ విభాగంలో అసోసియేట్ ప్రొఫెసర్ మెడిసిన్, క్యాన్సర్ ఉన్న రోగుల సంరక్షణను మెరుగుపరచడానికి AI అప్లికేషన్‌లను అభివృద్ధి చేస్తుంది మరియు ఏకీకృతం చేస్తుంది. క్వి లాంగ్, PhD, బయోస్టాటిస్టిక్స్ మరియు కంప్యూటర్ మరియు ఇన్ఫర్మేషన్ సైన్స్ ప్రొఫెసర్ మరియు పెన్సిల్వేనియా విశ్వవిద్యాలయంలోని సెంటర్ ఫర్ క్యాన్సర్ డేటా సైన్స్ వ్యవస్థాపక డైరెక్టర్ మరియు అబ్రామ్సన్ క్యాన్సర్ సెంటర్ ఆఫ్ పెన్ మెడిసిన్ యొక్క క్వాంటిటేటివ్ డేటా సైన్స్ అసోసియేట్ డైరెక్టర్, సహ. – సీనియర్ రచయిత. అధ్యయనం యొక్క మొదటి రచయిత జేవియర్ ఆర్కట్, MD, పారిఖ్ ల్యాబ్‌లో ట్రైనీ. ఇతర అధ్యయన రచయితలలో లాంగ్స్ ల్యాబ్‌లో PhD విద్యార్థి శిక్షణ పొందిన కాన్ చెన్ మరియు పెన్సిల్వేనియా విశ్వవిద్యాలయంలో మెడిసిన్ అసోసియేట్ ప్రొఫెసర్ రోనాక్ మమతాని ఉన్నారు.

పారిఖ్ మరియు అతని తోటి పరిశోధకులు ట్రయల్ ట్రాన్స్‌లేటర్‌ను అభివృద్ధి చేశారు, ఇది క్లినికల్ ట్రయల్ ఫలితాలను వాస్తవ ప్రపంచ జనాభాకు “అనువదించడానికి” మెషిన్ లెర్నింగ్ ఫ్రేమ్‌వర్క్. వాస్తవ-ప్రపంచ డేటాను ఉపయోగించి 11 ల్యాండ్‌మార్క్ క్యాన్సర్ క్లినికల్ ట్రయల్స్‌ను అనుకరించడం ద్వారా, వారు వాస్తవ క్లినికల్ ట్రయల్ ఫలితాలను పునశ్చరణ చేయగలిగారు, తద్వారా క్లినికల్ ట్రయల్‌లో చికిత్సలకు ఏ రోగుల యొక్క విభిన్న సమూహాలు బాగా స్పందించవచ్చో మరియు అలా చేయని వాటిని గుర్తించడానికి వీలు కల్పిస్తుంది.

“క్లినికల్ ట్రయల్ ఫలితాలు వ్యక్తిగత రోగులకు వర్తించవచ్చో లేదో నిర్ణయించడంలో వైద్యులు మరియు రోగులకు సహాయపడే ఫ్రేమ్‌వర్క్‌ను ఈ AI ప్లాట్‌ఫారమ్ అందిస్తుందని మేము ఆశిస్తున్నాము” అని పారిఖ్ చెప్పారు. “ఇంకా, ఈ అధ్యయనం పరిశోధకులకు నవల చికిత్సలు పని చేయని ఉప సమూహాలను గుర్తించడంలో సహాయపడవచ్చు, ఆ అధిక-ప్రమాద సమూహాల కోసం కొత్త క్లినికల్ ట్రయల్స్‌ను ప్రోత్సహిస్తుంది.”

“సంపన్నమైన, ఇంకా సంక్లిష్టమైన వాస్తవ-ప్రపంచ డేటా యొక్క శక్తిని ఉపయోగించుకోవడానికి AI/MLని ఉపయోగించుకునే అపారమైన సామర్థ్యాన్ని మా పని ప్రదర్శిస్తుంది, ఖచ్చితమైన వైద్యాన్ని ఉత్తమంగా ముందుకు తీసుకెళ్లడానికి,” లాంగ్ జతచేస్తుంది.

ట్రయల్ ఫలితాల పరిమిత సాధారణీకరణ

క్యాన్సర్‌తో బాధపడుతున్న రోగులలో 10% కంటే తక్కువ మంది క్లినికల్ ట్రయల్‌లో పాల్గొంటున్నందున సంభావ్య కొత్త చికిత్సల క్లినికల్ ట్రయల్స్ పరిమితంగా ఉన్నాయని పారిఖ్ వివరించారు. దీని అర్థం క్లినికల్ ట్రయల్స్ తరచుగా క్యాన్సర్ ఉన్న రోగులందరికీ ప్రాతినిధ్యం వహించవు. ఒక క్లినికల్ ట్రయల్ ఒక నవల చికిత్సా వ్యూహం సంరక్షణ ప్రమాణాల కంటే మెరుగైన ఫలితాలను చూపినప్పటికీ, “నవల చికిత్స పని చేయని అనేక మంది రోగులు ఉన్నారు” అని పారిఖ్ చెప్పారు.

“ఈ ఫ్రేమ్‌వర్క్ మరియు మా ఓపెన్-సోర్స్ కాలిక్యులేటర్‌లు ఫేజ్ III క్లినికల్ ట్రయల్స్ ఫలితాలు క్యాన్సర్‌తో బాధపడుతున్న వ్యక్తిగత రోగులకు వర్తిస్తాయో లేదో నిర్ణయించుకోవడానికి రోగులు మరియు వైద్యులను అనుమతిస్తాయి” అని ఆయన చెప్పారు, “ఈ అధ్యయనం వాస్తవ ప్రపంచ సాధారణీకరణను విశ్లేషించడానికి ఒక వేదికను అందిస్తుంది. ప్రతికూల ఫలితాలను కలిగి ఉన్న ట్రయల్స్‌తో సహా ఇతర యాదృచ్ఛిక ట్రయల్స్.”

వారు తమ విశ్లేషణ ఎలా చేశారు

పారిఖ్ మరియు సహచరులు 11 మైలురాయి రాండమైజ్డ్ కంట్రోల్డ్ ట్రయల్స్ (పాల్గొనేవారిని యాదృచ్ఛికంగా సమూహాలకు కేటాయించడం ద్వారా వివిధ చికిత్సల ప్రభావాలను పోల్చి చేసే అధ్యయనాలు) ఎమ్యులేట్ చేయడానికి ఫ్లాటిరాన్ హెల్త్ నుండి ఎలక్ట్రానిక్ హెల్త్ రికార్డ్స్ (EHR) యొక్క దేశవ్యాప్తంగా డేటాబేస్‌ను ఉపయోగించారు. యునైటెడ్ స్టేట్స్‌లో నాలుగు అత్యంత ప్రబలంగా ఉన్న అధునాతన ఘన ప్రాణాంతకత: అధునాతన నాన్-స్మాల్ సెల్ లంగ్ క్యాన్సర్, మెటాస్టాటిక్ బ్రెస్ట్ క్యాన్సర్, మెటాస్టాటిక్ ప్రోస్టేట్ క్యాన్సర్ మరియు మెటాస్టాటిక్ కొలొరెక్టల్ క్యాన్సర్.

వారు కనుగొన్నది

రోగి యొక్క అంతర్లీన రోగ నిరూపణను అంచనా వేయడానికి ఉపయోగించే యంత్ర అభ్యాస-ఆధారిత లక్షణాలైన తక్కువ మరియు మధ్యస్థ-ప్రమాద సమలక్షణాలు కలిగిన రోగులు, యాదృచ్ఛిక నియంత్రణలో గమనించిన వాటితో సమానమైన మనుగడ సమయాలు మరియు చికిత్స-సంబంధిత మనుగడ ప్రయోజనాలను కలిగి ఉంటారని వారి విశ్లేషణ వెల్లడించింది. విచారణలు. దీనికి విరుద్ధంగా, యాదృచ్ఛిక నియంత్రిత ట్రయల్స్‌తో పోలిస్తే హై-రిస్క్ ఫినోటైప్‌లు ఉన్నవారు గణనీయంగా తక్కువ మనుగడ సమయాలను మరియు చికిత్స-సంబంధిత మనుగడ ప్రయోజనాలను చూపించారు.

యాదృచ్ఛిక నియంత్రిత ట్రయల్ ఫలితాలు తక్కువ సాధారణీకరించదగిన వాస్తవ-ప్రపంచ రోగుల సమూహాలను యంత్ర అభ్యాసం గుర్తించగలదని వారి పరిశోధనలు సూచిస్తున్నాయి. దీని అర్థం, “వాస్తవ-ప్రపంచ రోగులకు యాదృచ్ఛిక నియంత్రిత ట్రయల్ పార్టిసిపెంట్‌ల కంటే ఎక్కువ భిన్నమైన రోగ నిరూపణలు ఉండవచ్చు” అని వారు జోడించారు.

ఇది ఎందుకు ముఖ్యం

పరిశోధన బృందం అధ్యయనం “అర్హత ప్రమాణాల కంటే రోగి రోగ నిరూపణ, మనుగడ మరియు చికిత్స ప్రయోజనాన్ని మెరుగ్గా అంచనా వేస్తుందని సూచిస్తుంది” అని నిర్ధారించింది. వారు భావి ట్రయల్స్ “కఠినమైన అర్హత ప్రమాణాలపై ఆధారపడకుండా, ప్రవేశించిన తర్వాత రోగుల రోగ నిరూపణను అంచనా వేయడానికి మరింత అధునాతన మార్గాలను పరిగణించాలి” అని వారు సిఫార్సు చేస్తున్నారు.

ఇంకా ఏమిటంటే, వారు అమెరికన్ సొసైటీ ఆఫ్ క్లినికల్ ఆంకాలజీ మరియు క్యాన్సర్ రీసెర్చ్ స్నేహితుల సిఫార్సులను ఉదహరించారు, యాదృచ్ఛిక నియంత్రిత ట్రయల్స్‌లో అధిక-ప్రమాదకర ఉప సమూహాల ప్రాతినిధ్యాన్ని మెరుగుపరచడానికి ప్రయత్నాలు చేయాలి “ఈ వ్యక్తులకు చికిత్స ప్రభావాలు ఇతర పాల్గొనేవారి నుండి భిన్నంగా ఉండవచ్చు. “

ఇలాంటి అధ్యయనాలలో AI పాత్ర గురించి, పారిఖ్ ఇలా అంటాడు, “త్వరలో, తగిన పర్యవేక్షణ మరియు సాక్ష్యాలతో, పాథాలజీ, రేడియాలజీ లేదా ఎలక్ట్రానిక్ హెల్త్ రికార్డ్ సమాచారాన్ని అంచనా వేయడానికి విశ్లేషించగల AI- ఆధారిత బయోమార్కర్ల ఆటుపోట్లు పెరుగుతాయి. రోగులు నిర్దిష్ట చికిత్సలకు ప్రతిస్పందిస్తారా లేదా స్పందించకపోయినా, క్యాన్సర్‌లను ముందుగానే నిర్ధారిస్తారా లేదా మా రోగులకు మెరుగైన రోగనిర్ధారణలకు దారి తీస్తుంది.”

ఈ పరిశోధనకు నేషనల్ ఇన్‌స్టిట్యూట్ ఆఫ్ హెల్త్ నుండి గ్రాంట్స్ మద్దతునిచ్చాయి: K08CA263541, P30CA016520 మరియు U01CA274576.