Исследование, проведенное Институтом рака Уиншипа при Университете Эмори и Онкологическим центром Абрамсона при Университете Пенсильвании, показало, что платформа на основе искусственного интеллекта (ИИ) может значительно улучшить процесс принятия решений в онкологии.
Платформа позволяет врачам и пациентам оценивать, насколько конкретная терапия, проходящая клинические испытания, будет полезна для отдельного пациента. Это способствует более обоснованному выбору методов лечения и планированию ухода.
Исследование, опубликованное в журнале Nature Medicine, было проведено сертифицированным медицинским онкологом Рави Б. Парихом, медицинским директором общего ресурса по приложениям данных и технологий в Институте рака Уиншип и научным сотрудником кафедры гематологии и медицинской онкологии на медицинском факультете Университета Эмори. Он занимается разработкой и интеграцией приложений ИИ для улучшения ухода за больными раком.
Ци Лонг, научный сотрудник биостатистики, компьютерных и информационных наук, и директор-основатель Центра науки о раковых данных Пенсильванского университета, был старшим автором исследования.
Первым автором исследования стал Ксавьер Оркатт, стажер в лаборатории Париха. Среди других авторов были Кан Чен, научный сотрудник лаборатории Лонга, и Ронак Мамтани, научный сотрудник медицины Пенсильванского университета.
Парих и его коллеги разработали TrialTranslator — систему машинного обучения для анализа результатов клинических испытаний и их применения к реальным пациентам. Используя данные из общенациональной базы электронных медицинских карт Flatiron Health, они эмулировали 11 знаковых клинических испытаний рака. Это позволило им определить, какие группы пациентов могут хорошо реагировать на лечение, а какие — нет.
«Мы надеемся, что эта платформа ИИ предоставит основу для принятия решений о применении результатов клинических испытаний к отдельным пациентам», — сказал Парих.
«Кроме того, исследование может помочь выявить подгруппы, где новые методы лечения не работают, что стимулирует дальнейшие клинические испытания для этих групп высокого риска», — добавил он.
«Наша работа демонстрирует огромный потенциал использования ИИ и машинного обучения для анализа данных и достижения наилучших результатов в точной медицине», — подчеркнул Лонг.
Ограничения обобщения результатов испытаний
Парих отметил, что клинические испытания новых методов лечения охватывают лишь около 10% всех пациентов с раком. Это означает, что результаты испытаний не всегда применимы ко всем пациентам.
Даже если исследования показывают положительные результаты, есть много пациентов, у которых лечение не работает. Парих и его коллеги использовали базу данных Flatiron Health для анализа 11 знаковых рандомизированных контролируемых исследований. Они изучили схемы лечения для четырех наиболее распространенных видов рака в США: немелкоклеточного рака легкого, рака молочной железы, рака простаты и колоректального рака.
Анализ показал, что пациенты с низким и средним риском имели схожие результаты с рандомизированными контролируемыми исследованиями. Однако пациенты с высоким риском показали значительно худшие результаты.
Это указывает на то, что машинное обучение может выявлять группы пациентов, для которых результаты испытаний менее применимы. Исследователи рекомендуют учитывать индивидуальные прогнозы пациентов при включении их в клинические испытания.
Они также подчеркивают необходимость улучшения представительства подгрупп высокого риска в будущих исследованиях. Это поможет более точно оценивать эффективность лечения для этих пациентов.
Роль ИИ в онкологии
Парих считает, что использование ИИ в онкологии будет расти. Он уверен, что в будущем появятся биомаркеры на основе ИИ, которые смогут анализировать патологическую информацию, радиологические данные или электронные медицинские записи. Это поможет прогнозировать реакцию пациентов на лечение, диагностировать рак на ранних стадиях и улучшать прогнозы для пациентов.
Литература:
Xavier Orcutt et al, Evaluating generalizability of oncology trial results to real-world patients using machine learning-based trial emulations, Nature Medicine (2025). DOI: 10.1038/s41591-024-03352-5
Ведущий специалист отдела организации клинических исследований, терапевт, врач ультразвуковой диагностики АО «СЗМЦ» (г. Санкт-Петербург), главный редактор, учредитель сетевого издания Medical Insider, а также автор статей
E-mail для связи – [email protected];
