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.