Μια ομάδα κλινικών ιατρών του UC Davis Health και επιστημόνων δεδομένων ανέπτυξε ένα μοντέλο μηχανικής μάθησης για να προβλέψει καλύτερα ποιοι ασθενείς διατρέχουν μεγαλύτερο κίνδυνο να αναπτύξουν έναν κοινό τύπο καρκίνου του ήπατος, το ηπατοκυτταρικό καρκίνωμα (HCC). Τα ευρήματα της έρευνάς τους – που δημοσιεύθηκαν στο περιοδικό Gastro Hep Advances – περιγράφουν πώς η προγνωστική μάθηση μπορεί να βοηθήσει τους γιατρούς να παρέχουν πρώιμες εκτιμήσεις κινδύνου HCC για ασθενείς που έχουν διαγνωστεί με στεατική ηπατική νόσο που σχετίζεται με μεταβολική δυσλειτουργία ή MASLD.
Η πιλοτική τεχνολογία μπορεί να είναι σε θέση να δώσει στους γιατρούς κρίσιμες πληροφορίες για να εξετάσουν τους ασθενείς πιο προσεκτικά και έτσι να προσφέρει πιο εξατομικευμένη φροντίδα. «Το MASLD μπορεί να οδηγήσει σε HCC, αλλά η νόσος είναι αρκετά ύπουλη και συχνά δεν είναι σαφές ποιοι ασθενείς αντιμετωπίζουν αυτόν τον κίνδυνο», δήλωσε η συν-συγγραφέας της μελέτης Aniket Alurwar, κλινική ειδικός στην κλινική πληροφορική στο UC Davis Center for Precision Medicine and Data Sciences. «Δεν έχει νόημα να κάνουμε βιοψία σε κάθε ασθενή με MASLD, αλλά αν μπορούμε να τμηματοποιήσουμε τον κίνδυνο, μπορούμε να παρακολουθήσουμε αυτά τα άτομα πιο προσεκτικά και ίσως να κολλήσουμε έγκαιρα το HCC».
Διάγνωση μιας κρυφής κατάστασης
Το MASLD (παλαιότερα ονομαζόταν μη αλκοολική λιπώδης νόσος του ήπατος ή NAFLD), μια κατάσταση που συχνά συνδέεται με μεταβολικές ασθένειες όπως ο διαβήτης τύπου 2, είναι η συσσώρευση λίπους στο ήπαρ. Περίπου το 25% των Αμερικανών έχουν κάποια μορφή MASLD, καθιστώντας το ένα από τα πιο κοινά ηπατικά προβλήματα.
Η ομάδα της επιστήμης δεδομένων συνεργάστηκε στενά με κλινικούς γιατρούς, μεταξύ των οποίων ο πρώτος συγγραφέας Souvik Sarkar, επίκουρος καθηγητής Γαστρεντερολογίας και Ηπατολογίας, και ο Frederick Meyers, ανώτερος συγγραφέας και διακεκριμένος καθηγητής Εσωτερικής Ιατρικής, Αιματολογίας και Ογκολογίας. Ο Meyer είναι επίσης διευθυντής του Κέντρου Ιατρικής Ακριβείας και Επιστημών Δεδομένων. Η μελέτη είναι από τις πρώτες του είδους της. Οι ερευνητές εκπαίδευσαν αλγόριθμους μηχανικής μάθησης, οι οποίοι αξιοποίησαν μεγάλα σύνολα δεδομένων για να κάνουν επαληθεύσιμες προβλέψεις.
Δοκίμασαν εννέα διαφορετικούς αλγόριθμους ανοιχτού κώδικα και επέλεξαν πέντε για περαιτέρω αξιολόγηση και δημιουργία μοντέλων. Στη συνέχεια, δίδαξαν τους αλγόριθμους της σύντομης λίστας για την εκτέλεση αποπροσδιορισμένων δεδομένων υγείας από 1.561 ασθενείς του UC Davis Health MASLD, 227 από τους οποίους τελικά ανέπτυξαν HCC. Αργότερα, αυτοί οι πέντε κορυφαίοι αλγόριθμοι επικυρώθηκαν σε σχέση με δεδομένα από 686 ασθενείς του UC San Francisco, επίσης μέσω μη ταυτοποιημένων ιατρικών αρχείων, με 176 να έχουν διαγνωστεί με HCC. Ένας αλγόριθμος που ονομάζεται Gradient Boosted Trees δημιούργησε τελικά το μοντέλο πρόβλεψης με τη μεγαλύτερη στατιστική ακρίβεια, ευαισθησία και ειδικότητα.
Η μελέτη επιβεβαίωσε ότι ένας από τους πιο αξιόπιστους δείκτες για τον κίνδυνο HCC είναι η προχωρημένη ηπατική ίνωση ή ουλές, που χαρακτηρίζονται από υψηλές βαθμολογίες του δείκτη Fibrosis-4 (FIB-4). Ωστόσο, οι ερευνητές βρήκαν επίσης τέσσερις πρόσθετους παράγοντες κινδύνου που σχετίζονται με τη λειτουργία του ήπατος: υψηλή χοληστερόλη, υπέρταση, χολερυθρίνη και αλκαλική φωσφατάση (ALP), ένα ένζυμο που μπορεί να υποδεικνύει προβλήματα στο συκώτι. Ένας συνδυασμός αυτών των παραγόντων κινδύνου σε ένα μοντέλο βοήθησε στην πρόβλεψη του κινδύνου HCC.
Το AI δείχνει υψηλή ακρίβεια
Η ομάδα διαπίστωσε ότι υπάρχουν πολλαπλές οδοί για το HCC, με το υψηλό FIB-4 να είναι το πιο προφανές. Σε ορισμένες περιπτώσεις, ασθενείς με χαμηλό FIB-4 αλλά υψηλή χοληστερόλη, χολερυθρίνη και υπέρταση ανέπτυξαν επίσης HCC. Σύμφωνα με τις τρέχουσες κατευθυντήριες γραμμές, αυτοί οι ασθενείς δεν θα λαμβάνουν προληπτική φροντίδα για το ήπαρ.
«Πήραμε 92,12% ακρίβεια όταν προβλέπαμε ποιοι ασθενείς με MASLD θα αναπτύξουν HCC, κάτι που είναι πολύ καλό για ένα πιλοτικό μοντέλο», είπε ο Alurwar. “Οι ασθενείς με χαμηλό FIB-4 θεωρούνται συνήθως χαμηλού κινδύνου και δεν παραπέμπονται για περαιτέρω αξιολόγηση. Δείχνοντας ποιοι από αυτούς τους ασθενείς “χαμηλού κινδύνου” θα μπορούσαν να αναπτύξουν HCC, μπορούμε να τους παραπέμψουμε για βιοψίες ήπατος ή απεικόνιση.”
Ενώ η ομάδα είναι περήφανη για το μοντέλο της, οι ερευνητές σχεδιάζουν να βελτιώσουν την ακρίβειά τους ενσωματώνοντας πιο ακριβή δεδομένα, όπως κλινικές σημειώσεις. Με αυτόν τον τρόπο, θα χρησιμοποιήσουν μια άλλη μορφή τεχνητής νοημοσύνης, που ονομάζεται επεξεργασία φυσικής γλώσσας, η οποία μεταφράζει το γραπτό κείμενο σε δεδομένα. Η ομάδα θα δοκιμάσει επίσης το Bedrock, την παραγωγική πλατφόρμα AI της Amazon.
Τελικά, ένα παρόμοιο μοντέλο θα μπορούσε να ενσωματωθεί σε ηλεκτρονικά αρχεία υγείας ή σε μια ξεχωριστή πλατφόρμα, για να επισημάνει τους κλινικούς ιατρούς όταν οι ασθενείς με MASLD αντιμετωπίζουν μεγαλύτερο κίνδυνο HCC. “Πιστεύουμε ότι μπορούμε να βελτιώσουμε τον αλγόριθμο ενσωματώνοντας τις κλινικές σημειώσεις και ίσως άλλες πληροφορίες”, δήλωσε ο Alurwar. «Η ενσωμάτωση αυτών των δεδομένων θα πρέπει να δημιουργήσει ένα ακόμη πιο ισχυρό μοντέλο που μπορούμε στη συνέχεια να δοκιμάσουμε για να δούμε πώς αποδίδει».