Maschinell erstellte Bestrahlungspläne für Prostatakrebs: Ärzte bleiben vorsichtig

Für die Planung einer kurativ intendierten Strahlentherapie bei Prostatakrebs kann maschinelles Lernen (ML) hilfreich sein. Wie eine aktuelle Studie zeigt, werden Bestrahlungspläne, die durch ML erstellt werden, von den behandelnden Ärzten aber nur mäßig akzeptiert.

ML könnte sich stark auf die Gesundheitsversorgung auswirken. Doch viele Methoden werden nur in „simulierten“ Settings getestet. Darin können Faktoren, die in der Praxis Einfluss haben, nicht nachgeahmt werden. Dr. Chris McIntosh vom Princess Margaret Cancer Centre in Toronto, Kanada, und Kollegen haben prospektiv einen Random-Forest-Algorithmus für die Planung einer Strahlentherapie (RT) mit kurativer Absicht bei Prostatakrebs in einer verblindeten Kopf-an-Kopf-Studie mit vollständiger Integration in den klinischen Arbeitsablauf evaluiert. Dazu wurden durch ML und von Menschen generierte RT-Pläne direkt in einer retrospektiven Simulation mit Retesting (n=50) und in einer prospektiven klinischen Einführungsphase (n=50) verglichen.

Während der Studienphasen beurteilten die behandelnden Ärzte die ML-Pläne und die von ­Menschen generierten Pläne verblindet nach a priori definierten standardisierten Kriterien und Peer-Review-Prozessen. Dabei wurde der ausgewählte RT-Plan in der prospektiven Phase für die Behandlung bereitgestellt.

Insgesamt wurden 89 % der von ML generierten RT-Pläne als klinisch akzeptabel angesehen und 72 % in direkten Vergleichen gegenüber den von Menschen erstellten RT-Plänen ausgewählt. Die RT-Planung mit ML reduzierte den medianen Zeitaufwand für den gesamten RT-Planungsprozess um 60,1 % (118-47 h).

Während die Akzeptanz der ML-RT-Pläne zwischen der Simulations- und der Bereitstellungsphase stabil blieb (92 % vs. 86 %), war die Anzahl der zur Behandlung ausgewählten ML-RT-Pläne signifikant reduziert (83 % vs. 61 %). Diese Ergebnisse unterstreichen, dass die retrospektive oder simulierte Bewertung von ML-Methoden – selbst mit verblindeter Überprüfung durch Experten – für die Akzeptanz von Algorithmen in der klinischen Praxis eventuell nicht repräsentativ ist, wenn es um die Versorgung realer Patienten geht.

(sf/ms)

Publikation:
McIntosh C et al. Clinical integration of machine learning for curative-intent radiation treatment of patients with prostate cancer. Nat Med 2021;27(6):999-1005.