K-ECAN to sztuczna inteligencja, która ma zdolność do przewidywania pewnych rodzajów raka przełyku i żołądka, zwłaszcza EAC (rak gruczołowy przełyku) i GCA (gruczolakorak wpustu żołądka). Te właśnie odmiany wykazują znaczny wzrost występowania w ciągu ostatnich pięciu dekad w Stanach Zjednoczonych i innych krajach zachodnich. Niestety zarówno EAC, jak i GCA mają wysoki wskaźnik śmiertelności.
Dr Joel Rubenstein, naukowiec w Centrum Zarządzania Klinicznego imienia Pułkownika Charlesa S. Kettlesa i profesor w Michigan Medicine, twierdzi jednak, że można podjąć działania zapobiegawcze, a pomocna w tym jest sztuczna inteligencja.
Procedury przesiewowe mogą wykryć wczesne stadia przedrakowe u pacjentów, takie jak przełyk Barretta, które często są diagnozowane u osób z przewlekłą chorobą refluksową przełyku (GERD) – stwierdził Rubenstein.
Wczesne wykrycie umożliwia pacjentom podjęcie dodatkowych kroków w celu zapobieżenia wystąpieniu raka.
Sztuczna inteligencja wspomoże wczesną diagnozę
Obecne wytyczne już uwzględniają konieczność badań przesiewowych u osób o wysokim ryzyku, Rubenstein podkreśla jednak, że wielu dostawców opieki zdrowotnej nie jest zaznajomionych z tą rekomendacją.
Znaczna liczba osób, które zachorowały na te formy raka, nigdy nie poddawała się badaniom przesiewowym – zaznaczył.
Jednak nowe narzędzie zintegrowane z elektronicznymi kartotekami zdrowotnymi ma potencjał, by zniwelować różnicę między świadomością dostawców a pacjentami, którzy są narażeni na zwiększone ryzyko rozwoju EAC i GCA.
Rubenstein wraz z zespołem badaczy wykorzystali sztuczną inteligencję do analizy danych dotyczących wskaźników EAC i GCA w grupie ponad 10 milionów weteranów Stanów Zjednoczonych. Wyniki ich badań zostały opublikowane w czasopiśmie Gastroenterology.
Rubenstein i jego zespół opracowali i przetestowali narzędzie do przewidywania raka o nazwie Kettles Esophageal and Cardia Adenocarcinoma predictioN tool, w skrócie K-ECAN.
K-ECAN wykorzystuje podstawowe informacje dostępne w kartotekach zdrowotnych, takie jak dane demograficzne pacjenta, waga, wcześniejsze diagnozy medyczne i wyniki rutynowych badań laboratoryjnych, aby określić podatność jednostki na wystąpienie EAC i GCA – wyjaśnił Rubenstein.
Przeszło dziesięć lat temu wprowadziliśmy narzędzie wstępne o nazwie M-BERET do identyfikacji pacjentów z przełykiem Barretta. Jednak to narzędzie wymaga pomiaru obwodów bioder i talii pacjentów, co nie jest rutynowo wykonywane. Ponadto lekarze muszą pamiętać o korzystaniu z odpowiedniej strony internetowej do obliczania ryzyka dla pacjenta przy użyciu tego narzędzia.
Dane są już w systemie
Rubenstein pomyślał o wykorzystaniu dużej ilości danych już dostępnych w elektronicznych kartotekach zdrowotnych. Umożliwiłoby to w odpowiednim momencie przedstawianie dostawcom informacji o ryzyku dla pacjentów, na przykład wtedy, gdy dana osoba jest zobowiązana do przesiewowego badania jelita grubego lub odnawia receptę na leki zmniejszające wydzielanie kwasu.
Według Rubensteina, sztuczna inteligencja w K-ECAN jest dokładniejsze niż ustalone wytyczne lub wcześniej zweryfikowane narzędzia do prognozowania. Potrafi „skutecznie przewidzieć możliwość wystąpienia raka co najmniej trzy lata przed oficjalną diagnozą.”
AI „wprowadzona” do elektronicznych kartotek zdrowotnych mogłaby informować zakłady opieki zdrowotnej za pomocą automatycznych powiadomień o pacjentach, którzy są narażeni na zwiększone ryzyko rozwoju wystąpienie EAC i GCA.
Rubenstein podkreśla, że to mogłoby znacznie zmniejszyć obciążenie związane z tymi rodzajami raka.
Źródło: „Przewidywanie wystąpienia EAC i GCA za pomocą uczenia maszynowego w elektronicznych zapisach zdrowotnych”, Gastroenterology . DOI: 10.1053/j.gastro.2023.08.011
