L'apprentissage automatique prédit les cancers de l'œsophage et de l'estomac à l'aide des données du DSE
Source : Getty Images
Par Shania Kennedy
28 août 2023 - Un modèle d'apprentissage automatique (ML) peut prédire automatiquement l'adénocarcinome de l'œsophage (EAC) et l'adénocarcinome du cardia gastrique (GCA) trois ans avant un diagnostic formel, selon une étude publiée récemment dans Gastroenterology.
Les chercheurs ont indiqué que les taux d'EAC et de GCA ont augmenté de manière significative aux États-Unis et dans d'autres pays occidentaux au cours des cinquante dernières années, ce qui rend nécessaire un meilleur dépistage.
"Le dépistage peut identifier des changements précancéreux chez les patients, l'œsophage de Barrett, qui est parfois diagnostiqué chez les personnes souffrant de reflux gastro-œsophagien à long terme, ou RGO", a expliqué Joel Rubenstein, MD, professeur de médecine interne à Michigan Medicine et chercheur. scientifique du Centre de recherche en gestion clinique du lieutenant-colonel Charles S. Kettles pour les anciens combattants, dans un communiqué de presse détaillant la recherche.
La détection précoce de ces cancers peut aider les patients et les équipes soignantes à prendre des mesures pour prévenir leur progression, mais de nombreux prestataires ne connaissent pas les directives de dépistage pertinentes. En conséquence, de nombreux patients finalement diagnostiqués avec EAC ou GCA n’ont jamais subi de dépistage, a-t-il poursuivi.
Pour résoudre ce problème, l'équipe de recherche a cherché à créer un outil automatisé qui pourrait être intégré aux DSE pour aider à guider la prise de décision clinique.
Le modèle résultant, la prédiction de l'adénocarcinome œsophagien et cardiaque de Kettles (K-ECAN), a été formé à l'aide des données de l'entrepôt de données d'entreprise de la Veterans Health Administration (VHA). À partir de là, 8 430 patients diagnostiqués avec EAC et 2 965 avec GCA ont été identifiés dans le registre central du cancer de la VHA et comparés à 10 256 887 témoins.
"K-ECAN utilise des informations de base déjà disponibles dans le DSE, telles que les données démographiques des patients, leur poids, les diagnostics antérieurs et les résultats de laboratoire de routine, pour déterminer le risque d'un individu de développer un adénocarcinome de l'œsophage et un adénocarcinome du cardia gastrique", a déclaré Rubenstein.
Cela peut aider les prestataires à mieux déterminer le risque de chaque patient.
"Les symptômes du RGO, comme les brûlures d'estomac, sont un facteur de risque important d'adénocarcinome de l'œsophage", a déclaré Rubenstein. « Mais la plupart des personnes présentant des symptômes de RGO ne développeront jamais d’adénocarcinome de l’œsophage ni d’adénocarcinome du cardia gastrique. De plus, environ la moitié des patients atteints de cette forme de cancer n’ont jamais présenté de symptômes de RGO auparavant. Cela rend K-ECAN particulièrement utile car il peut identifier les personnes présentant un risque élevé, qu’elles présentent ou non des symptômes de RGO.
Le modèle s'est avéré avoir une meilleure discrimination que les lignes directrices existantes et deux modèles de prédiction précédemment validés, et Rubenstein a noté que K-ECAN peut « prédire avec précision le cancer au moins trois ans avant un diagnostic ».
L'équipe de recherche a indiqué que l'intégration d'un outil tel que K-ECAN dans les DSE pourrait aider à alerter les prestataires concernant les patients présentant un risque d'EAC ou de GCA via une notification automatique à des moments opportuns, par exemple lorsque le patient doit subir un dépistage colorectal.
Cela, suggèrent-ils, pourrait réduire considérablement le fardeau de ces cancers.
À l’avenir, les chercheurs travailleront pour valider K-ECAN en dehors du VHA.
D’autres efforts sont également en cours pour améliorer les soins contre le cancer grâce au ML.
Plus tôt ce mois-ci, des chercheurs ont validé en externe un modèle ML développé pour prédire le risque de mortalité à six mois pour les patients atteints d'un cancer avancé qui initient une nouvelle ligne de traitement (LOT).
Le modèle a été initialement conçu pour classer le risque de mortalité des patients afin de faciliter les conversations sur les maladies graves entre les prestataires et les patients à divers points de décision de traitement (TDP).
Le modèle utilise 45 fonctionnalités recueillies à partir des DSE qui sont implémentables via la norme Fast Healthcare Interoperability Resources (FHIR) et s'est avéré permettre de catégoriser avec précision le risque de mortalité des patients, soulignant le potentiel de ces outils dans les soins en oncologie.