Cientistas do Dana-Farber Cancer Institute demonstraram que uma ferramenta de inteligência artificial pode funcionar tão bem quanto os revisores humanos - e muito mais rapidamente - na extração de informações clínicas sobre mudanças em tumores de relatórios de radiologia não estruturados para pacientes com câncer de pulmão.

A ferramenta de IA teve um desempenho comparável ao de "curadores" humanos treinados na detecção da presença de câncer; e se estava respondendo às intervenções de tratamento, estável ou piorando.

O objetivo do estudo, disse o autor correspondente Kenneth Kehl, MD, MPH, um oncologista médico e membro do corpo docente do Departamento de Ciências da População da Dana-Faber, foi determinar se as ferramentas de inteligência artificial podem extrair os resultados de câncer de maior valor a partir de relatórios de radiologia, que são uma fonte de dados onipresente, mas não estruturada.

Kehl observou que os registros eletrônicos de saúde agora coletam grandes quantidades de informações sobre milhares de pacientes atendidos em um centro como o Dana-Farber. Contudo, a menos que os pacientes estejam inscritos em ensaios clínicos, informações sobre seus resultados, como se seus cânceres aumentam ou diminuem em resposta ao tratamento, é registrado apenas no texto do prontuário. Historicamente, essas informações não estruturadas não são passíveis de análise computacional e, portanto, não podem ser usadas para pesquisas sobre a eficácia do tratamento.

Por causa de estudos como a iniciativa Profile em Dana-Farber / Brigham e Women's Cancer Center, que analisa amostras de tumor de pacientes e cria perfis que revelam variantes genômicas que podem prever a capacidade de resposta aos tratamentos, Os pesquisadores da Dana-Farber acumularam uma grande quantidade de informações moleculares sobre o câncer de pacientes. "Mas pode ser difícil aplicar essas informações para entender quais padrões moleculares prevêem benefícios de tratamentos sem uma análise intensiva dos registros médicos dos pacientes para medir seus resultados. Esta é uma barreira crítica para a compreensão de todo o potencial da medicina de precisão, "disse Kehl.

Para o estudo atual, Kehl e colegas obtiveram mais de 14, 000 relatórios de imagem para 1, 112 pacientes e registros revisados ​​manualmente usando a estrutura "PRISSMM". PRISSMM é um padrão de dados fenômicos desenvolvido na Dana-Farber que pega dados não estruturados de relatórios de texto em registros eletrônicos de saúde e os estrutura para que possam ser prontamente analisados. PRISSMM estrutura os dados relativos à patologia de um paciente, radiologia / imagem, sinais / sintomas, marcadores moleculares, e a avaliação de um oncologista para criar um retrato da jornada do paciente com câncer.

Revisores humanos analisaram os relatórios de texto de imagem e observaram se o câncer estava presente e, se então, se estava piorando ou melhorando, e se o câncer se espalhou para locais específicos do corpo. Esses relatórios foram então usados ​​para treinar um modelo computacional de "aprendizado profundo" para reconhecer esses resultados dos relatórios de texto. "Nossa hipótese era que algoritmos de aprendizado profundo poderiam usar relatórios de texto de radiologia gerados rotineiramente para identificar a presença de câncer e mudanças em sua extensão ao longo do tempo, "escreveram os autores.

Os pesquisadores compararam medições de resultados em humanos e computadores, como sobrevida livre de doença, sobrevivência livre de progressão, e tempo para melhoria ou resposta, e descobri que o algoritmo de IA pode replicar a avaliação humana desses resultados. Os algoritmos de aprendizado profundo foram então aplicados para anotar outros 15, 000 relatórios para 1, 294 pacientes cujos registros não foram revisados ​​manualmente. Os autores descobriram que as medidas de resultado do computador entre esses pacientes previram a sobrevivência com precisão semelhante às avaliações humanas entre os pacientes revisados ​​manualmente.

Os curadores humanos foram capazes de anotar relatórios de imagem para cerca de três pacientes por hora, uma taxa na qual um curador precisaria de cerca de seis meses para fazer anotações em todos os quase 30, 000 relatórios de imagem para os pacientes da coorte. Por contraste, o modelo de inteligência artificial que os pesquisadores desenvolveram poderia anotar os relatórios de imagem para a coorte em cerca de 10 minutos, os pesquisadores disseram em um relatório em Oncologia JAMA .

"Para criar um verdadeiro sistema de aprendizagem de saúde para oncologia e para facilitar a entrega de medicina de precisão em escala, métodos são necessários para acelerar a curadoria de resultados relacionados ao câncer a partir de registros eletrônicos de saúde, "disseram os autores da publicação. Se aplicada amplamente, os investigadores disseram, "esta técnica pode acelerar substancialmente os esforços para usar dados do mundo real de todos os pacientes com câncer para gerar evidências sobre a eficácia das abordagens de tratamento." As próximas etapas incluirão testar esta abordagem em dados de EHR de outros centros de câncer e usar os dados para descobrir quais tratamentos funcionam melhor para quais pacientes.