Therapiebedingte Toxizitäten beim NSCLC: Neu entwickeltes Modell sagt Bedarf an Notfallversorgung voraus

Anhand von Modellen Maschinellen Lernens, die von Patienten selbst dokumentierte Therapieerfolge (PROs) und Sensordaten berücksichtigen, lässt sich mit höherer Genauigkeit vorhersagen, welche Patienten mit Nichtkleinzelligem Lungenkrebs (NSCLC) während der Behandlung das höchste Risiko dafür besitzen, dringend medizinischer Versorgung aufgrund therapiebedingter Toxizitäten zu bedürfen.

Das berichten Forschende vom H. Lee Moffitt Cancer Center & Research Institute (USA) in einer neuen Studie, die kürzlich in „JCO Clinical Cancer Informatics“ veröffentlicht wurde.

NSCLC-Patienten, die sich einer systemischen Therapie unterziehen, leiden häufig an behandlungsbedingten Toxizitäten, die zu ungeplanten Besuchen in einer Notfallambulanz führen können. In ihrer Studie untersuchten die Forscher des Moffitt Cancer Center, ob sich die Vorhersage eines solchen Bedarfs verbessern lässt, wenn nicht nur die gängigen klinischen und demografischen Informationen ausgewertet, sondern auch patientengenerierte Gesundheitsdaten einbezogen werden. Dazu gehörten in der Untersuchung Informationen zur Lebensqualität sowie Werte wie Schlafqualität und Herzfrequenz, die mithilfe tragbarer Geräte ermittelt wurden.

Einbeziehung von Informationen, die über übliche Messwerte hinausgehen

Das Team nutzte Bayes´sche Netze, um Vorhersagemodelle für 58 Patienten zu erstellen, die mit Fitness-Trackern überwacht wurden und einen Fragebogen ausfüllten. Modelle des Maschinellen Lernens, die PROs und Daten tragbarer Sensoren berücksichtigten, waren in der Auswertung bei der Unterscheidung zwischen Hochrisiko- und Niedrigrisikopatienten solchen Modellen deutlich überlegen, die ausschließlich auf klinischen Daten basierten.

„Indem wir die Informationen der Patienten bezüglich ihrer Symptome mit der kontinuierlichen Überwachung durch tragbare Geräte kombinieren, können wir besser herausfinden, wer am stärksten von Behandlungskomplikationen bedroht ist“, berichtet Dr. Brian D. Gonzalez, Hauptautor und Forscher in der Abteilung Health Outcomes and Behavior des Moffitt Cancer Center. „Unser Ziel ist es, Klinikern Instrumente an die Hand zu geben, die ein früheres Eingreifen ermöglichen, so die Patientenerfahrung zu verbessern und möglicherweise Krankenhausaufenthalte zu vermeiden.“

Möglichkeit für ein frühes Eingreifen und Prävention

Die Ergebnisse deuten darauf hin, dass die Integration multidimensionaler Daten in Modelle des Maschinellen Lernens die personalisierte Krebsbehandlung optimieren. Sie bieten Ärzten die Möglichkeit, Toxizitäten proaktiv anzugehen, bevor sie eskalieren. Obwohl die Studie auf ein einzelnes Zentrum und eine überschaubare Stichprobengröße beschränkt war, halten die Forscher den Ansatz für vielversprechende Anwendungen.

„Was diesen Ansatz so leistungsstark macht, ist nicht nur die Genauigkeit der Vorhersagen“, erläutert Dr. Yi Luo, Co-Autor und Forscher in Moffitts Abteilung für Maschinelles Lernen. „Er lässt uns auch verstehen, warum das Modell zu diesen Vorhersagen gelangt. Durch den Einsatz erklärbarer Methoden des Maschinellen Lernens können wir erkennen, wie Faktoren wie Berichte zu Symptomen, Schlafqualität und Laborergebnisse das Risiko beeinflussen. Diese Transparenz ist entscheidend, um Vertrauen bei Ärzten aufzubauen und sicherzustellen, dass die Modelle als Entscheidungshilfe für die Krebsbehandlung in der Praxis eingesetzt werden können.“

In weiteren Studien sollen die Modelle um zusätzliche klinische und molekulare Daten erweitert und die Ergebnisse in größeren, multiinstitutionellen Kohorten validiert werden.

(ac)