Un modèle d’intelligence artificielle (IA) développé par des chercheurs peut prédire la probabilité qu’un patient subisse une hospitalisation imprévue pendant ses traitements de radiothérapie contre le cancer. Le modèle d’apprentissage automatique utilise le nombre de pas quotidiens comme indicateur pour surveiller la santé des patients tout au long de leur traitement contre le cancer, offrant aux cliniciens une méthode en temps réel pour fournir des soins personnalisés. Les résultats seront présentés aujourd’hui lors de la réunion annuelle de l’American Society for Radiation Oncology (ASTRO).
On estime que 10 à 20 % des patients qui reçoivent une radiothérapie ou une radiochimiothérapie ambulatoire auront besoin de soins aigus sous la forme d’une visite aux urgences ou d’une hospitalisation pendant leur traitement contre le cancer. Ces hospitalisations non planifiées peuvent constituer un défi majeur pour les personnes suivant un traitement contre le cancer, entraînant des interruptions de traitement et un stress qui peuvent avoir un impact sur les résultats cliniques. L’identification et l’intervention précoces pour les patients à risque élevé de complications peuvent prévenir ces événements.
Si vous pouvez anticiper le risque d’hospitalisation non planifiée d’un patient, vous pouvez modifier la façon dont vous le soutenez tout au long de ses traitements contre le cancer et réduire la probabilité qu’il se retrouve aux urgences ou à l’hôpital.
Julian Hong, MD, auteur principal de l’étude
Julian Hong est professeur adjoint de radio-oncologie et de sciences de la santé computationnelles à l’Université de Californie à San Francisco (UCSF), où il est également directeur médical de l’informatique de radio-oncologie.
L’équipe du Dr Hong a précédemment démontré qu’un algorithme d’apprentissage automatique utilisant des données de santé telles que les antécédents de cancer et le plan de traitement pouvait identifier les patients à risque plus élevé de visites aux urgences pendant le traitement du cancer, et qu’une surveillance supplémentaire de la part de leurs prestataires réduisait les taux de soins aigus pour ces patients.
Pour l’étude actuelle, lui et Isabel Friesner, auteur principal et scientifique des données cliniques à l’UCSF, ont collaboré avec Nitin Ohri, MD, et ses collègues du Montefiore Medical Center à New York pour appliquer des approches d’apprentissage automatique aux données provenant d’appareils portables grand public. Le Dr Ohri et son équipe ont précédemment recueilli des données auprès de 214 patients dans trois essais cliniques prospectifs (NCT02649569, NCT03102229, NCT03115398). Dans chacun de ces essais, les participants portaient des trackers de fitness qui surveillaient leur activité pendant plusieurs semaines pendant qu’ils recevaient une chimioradiothérapie. Les participants à l’essai avaient différents types de cancers primitifs, le plus souvent un cancer de la tête et du cou (30 %) ou du poumon (29 %).
Le nombre de pas et d’autres données provenant des dossiers de ces patients ont été utilisés pour développer et tester un modèle de régression logistique net-régularisé élastique, un type de modèle d’apprentissage automatique qui peut analyser une grande quantité d’informations complexes. L’objectif de leur modèle était de prédire la probabilité qu’un patient soit hospitalisé la semaine prochaine, sur la base de ses deux semaines de données précédentes.
Les chercheurs ont d’abord créé le modèle en examinant dans quelle mesure différentes variables prédisaient l’hospitalisation, en utilisant les données de 70 % des participants à l’essai (151 personnes). Les prédicteurs potentiels du modèle comprenaient les caractéristiques des patients (par exemple, l’âge, l’état de performance ECOG), ainsi que les données d’activité mesurées avant et pendant le traitement. En plus des totaux de pas quotidiens, les chercheurs ont calculé d’autres paramètres, tels que les changements relatifs aux moyennes semaine par semaine d’une personne ou la différence entre le nombre minimum et maximum de pas chaque semaine.
L’équipe de recherche a ensuite validé le modèle en utilisant les 30 % de patients restants (63 personnes). Le modèle intégrant le nombre de pas était fortement prédictif de l’hospitalisation la semaine suivante (AUC = 0,80, intervalle de confiance à 95 % [CI] 0,60-0,90), et il a nettement surpassé le modèle sans nombre de pas (ASC = 0,46, IC à 95 % 0,24-0,66, p<0,001).
« Le nombre de pas précédant immédiatement la fenêtre de prédiction a fini par être généralement plus prédictif que les variables cliniques. La nature dynamique du nombre de pas, le fait qu’ils changent tous les jours, semble en faire un indicateur particulièrement bon de l’état de santé d’un patient. « , a déclaré le Dr Hong.
Les principales variables prédictives du modèle comprenaient le nombre de pas de chacun des deux derniers jours, ainsi que les changements relatifs du nombre maximal de pas et de la plage de nombre de pas au cours des deux dernières semaines.
L’utilisation de données dynamiques différencie ce modèle de ceux basés sur des données cliniques telles que l’état de performance et l’histologie tumorale. « L’une des parties uniques de ce modèle est qu’il est conçu pour être une prédiction en cours d’exécution », a expliqué Mme Friesner. « Vous pouvez exécuter l’algorithme n’importe quel jour et avoir une idée du niveau de risque d’un patient une semaine plus tard, ce qui vous donne le temps de fournir le soutien supplémentaire dont il a besoin. »
Ce soutien supplémentaire est essentiel pour réduire les hospitalisations, a expliqué le Dr Hong, qu’il s’agisse de planifier des suivis plus fréquents, de changer quelque chose au plan de traitement du patient ou d’une autre approche personnalisée. « Le cœur de ce qui fonctionne est qu’il s’agit d’un point de contact supplémentaire pour qu’un médecin puisse voir un patient. Cela rassure le patient de savoir que nous le surveillons. »
« Alors que de plus en plus de personnes commencent à utiliser des appareils portables, la question de savoir si les données qu’ils collectent pourraient être utiles se pose. Notre étude montre qu’il est utile que nos patients collectent leurs propres données de santé au cours de leur vie quotidienne, et que nous pouvons utiliser ces données pour ensuite surveiller et prédire leur état de santé », a ajouté Mme Friesner.
Les prochaines étapes pour les enquêteurs comprennent une validation plus rigoureuse de l’algorithme sur l’essai NRGF-001 (NCT04878952) dirigé par le Dr Ohri, qui randomisera les patients subissant une CRT pour un cancer du poumon vers un traitement avec ou sans surveillance quotidienne du nombre de pas. Les médecins des patients du groupe de comptage des pas recevront les résultats du modèle tout au long du processus de traitement.
Les chercheurs prévoient également d’autres études pour examiner des paramètres supplémentaires collectés par des appareils portables, tels que la fréquence cardiaque, et leur utilité en clinique.
« Les appareils portables et les données de santé générées par les patients sont encore des phénomènes relativement nouveaux, et nous apprenons encore comment ils peuvent être utiles. Quelles autres informations pouvons-nous obtenir des nombreux capteurs dans nos vies ? Comment ces mesures peuvent-elles se compléter et fonctionner avec d’autres types de données, comme les données des dossiers de santé électroniques ? Différents points de données pourraient fonctionner mieux pour différents patients », a déclaré Mme Friesner.
Suite à l’adoption généralisée de la télémédecine et des soins à distance au cours des dernières années, le besoin de surveillance à distance via les appareils des patients peut également augmenter. Les cliniques et les décideurs doivent garder à l’esprit l’accès à ces appareils à mesure qu’ils gagnent en popularité, a déclaré le Dr Hong.
« L’un des défis lorsque l’on travaille avec des données portables du monde réel sont les disparités économiques et raciales qui ont un impact sur les propriétaires d’appareils capables de capturer ce type de données. Je pense qu’il est important de développer des outils utiles pour la clinique mais également accessibles à un plus large éventail de patients. »
