Patiënten
die outpatient radiotherapie (RT) of chemoradiotherapie (CRT) ondergaan hebben
frequent acute zorg nodig, zoals hospitalisatie of onderzoek op een
spoedeisende-hulpafdeling. Machine learing (ML) kan wellicht interventies
geleiden om het risico van het vereisen van acute zorg te verlagen. Een prospectieve
gerandomiseerde studie van de University of California in San Francisco heeft gebruik
van ML voor triage van patiënten in het System
for High-Intensity Evaluation During Radiation Therapy (SHIELD-RT)
geëvalueerd. Dr. Julian Hong en collega’s publiceren de studie in het Journal of Clinical Oncology.1
De studie
includeerde 963 ambulante RT- of CRT-kuren die werden beoordeeld door een
ML-algoritme. Op basis van klinische kenmerken beoordeelde het algoritme 311
kuren als hoog-risico, gedefinieerd als hoger dan 10% risico van het vereisen
van acute zorg tijdens de behandeling. Deze patiënten werden gerandomiseerd
naar standaard klinische evaluatie eens per week (n-=157) of evaluatie tweemaal
per week (n=154), met de mogelijkheid van additionele evaluatie indien de
behandelaar dat wenselijke achtte. Het primaire eindpunt van de studie was frequentie
van bezoeken aan acute zorg tijdens de RT/CRT. In de groep met evaluatie
eenmaal per week was het percentage met bezoek aan acute zorg 22,3%, tegen 12,3%
in de groep met evaluatie tweemaal per week (RR 0,556; p=0,02). Onder de
patiënten die door het ML-model werden beoordeeld als laag-risico was het
percentage met bezoek aan de acute zorg 2,7%.
De
onderzoeker concluderen dat ML resulteerde in accurate triage van patiënten die
RT of CRT ondergingen in groepen met hoog versus laag risico van vereisen van acute
zorg. Patiënten met ML-vastgesteld hoog-risico hadden baat bij de verhoogde
frequentie van klinische evaluatie.
1.Hong
JC, Eclov NCW, Dalal NH et al. System
for High-Intensity Evaluation During Radiation Therapy (SHIELD-RT): a
prospective randomized study of machine learning-directed clinical evaluations
during radiation and chemoradiation. J Clin Oncol 2020; epub ahead of print
Summary: A prospective randomized study at the University of California San Francisco showed
that machine learning-guided intervention could accurately triage patients
undergoing RT and CRT, directing clinical management with reduced acute care
rates compared with standard of care.
Commentaren
Reageren op dit artikel is mogelijk na registratie. (Login)