Aprendizado de máquina prevê câncer de esôfago e estômago usando dados de EHR

Aug 10, 2023

Fonte: Getty Images

Por Shania Kennedy

28 de agosto de 2023 - Um modelo de aprendizado de máquina (ML) pode prever automaticamente o adenocarcinoma de esôfago (EAC) e o adenocarcinoma da cárdia gástrica (ACG) três anos antes de um diagnóstico formal, de acordo com um estudo publicado recentemente na Gastroenterology.

Os investigadores indicaram que as taxas de EAC e GCA aumentaram significativamente nos Estados Unidos e noutros países ocidentais ao longo dos últimos cinquenta anos, facilitando a necessidade de uma melhor triagem.

“A triagem pode identificar alterações pré-cancerígenas em pacientes, o esôfago de Barrett, que às vezes é diagnosticado em indivíduos que têm doença do refluxo gastroesofágico de longa duração, ou DRGE”, explicou Joel Rubenstein, MD, professor de medicina interna na Michigan Medicine e pesquisador cientista do Tenente Coronel Charles S. Kettles Veterans Affairs Center for Clinical Management Research, em um comunicado à imprensa detalhando a pesquisa.

A detecção precoce destes cancros pode ajudar os pacientes e as equipas de cuidados a tomar medidas para prevenir a progressão, mas muitos prestadores não estão cientes das directrizes de rastreio relevantes. Como resultado, descobriu-se que muitos pacientes eventualmente diagnosticados com EAC ou ACG nunca foram submetidos a qualquer rastreio, continuou ele.

Para ajudar a resolver esta questão, a equipa de investigação procurou construir uma ferramenta automatizada que pudesse ser incorporada nos EHRs para ajudar a orientar a tomada de decisões clínicas.

O modelo resultante, Kettles Esophageal and Cardia Adenocarcinoma Prediction (K-ECAN), foi treinado usando dados do Armazém de Dados Corporativos da Veterans Health Administration (VHA). A partir daí, 8.430 pacientes com diagnóstico de EAC e 2.965 com ACG foram identificados no Registro Central de Câncer da VHA e comparados com 10.256.887 controles.

“O K-ECAN utiliza informações básicas já disponíveis no EHR, como dados demográficos dos pacientes, peso, diagnósticos anteriores e resultados laboratoriais de rotina, para determinar o risco de um indivíduo desenvolver adenocarcinoma de esôfago e adenocarcinoma de cárdia gástrico”, disse Rubenstein.

Isso pode ajudar os profissionais a determinar melhor o risco de cada paciente.

“Os sintomas da DRGE, como azia, são um importante fator de risco para o adenocarcinoma esofágico”, afirmou Rubenstein. “Mas a maioria das pessoas com sintomas de DRGE nunca desenvolverá adenocarcinoma de esôfago e adenocarcinoma de cárdia gástrica. Além disso, cerca de metade dos pacientes com esta forma de câncer nunca apresentou sintomas anteriores de DRGE. Isto torna o K-ECAN particularmente útil porque pode identificar pessoas que estão em risco elevado, independentemente de terem sintomas de DRGE ou não.”

Descobriu-se que o modelo tem melhor discriminação do que as diretrizes existentes e dois modelos de previsão previamente validados, e Rubenstein observou que o K-ECAN pode “prever com precisão o câncer pelo menos três anos antes do diagnóstico”.

A equipe de pesquisa indicou que a incorporação de uma ferramenta como o K-ECAN nos EHRs poderia ajudar a alertar os prestadores sobre quais pacientes estão em risco de EAC ou ACG por meio de uma notificação automática em momentos oportunos, como quando o paciente está prestes a fazer um exame colorretal.

Fazer isso, sugeriram eles, poderia diminuir significativamente a carga desses tipos de câncer.

No futuro, os pesquisadores trabalharão para validar o K-ECAN fora do VHA.

Outros esforços também estão em andamento para melhorar o tratamento do câncer utilizando o ML.

No início deste mês, os pesquisadores validaram externamente um modelo de ML desenvolvido para prever o risco de mortalidade em seis meses para pacientes com câncer avançado que iniciam uma nova linha de terapia (LOT).

O modelo foi originalmente construído para classificar o risco de mortalidade dos pacientes para ajudar a facilitar conversas sobre doenças graves entre profissionais de saúde e pacientes em vários pontos de decisão de tratamento (TDPs).

O modelo utiliza 45 recursos coletados de EHRs que podem ser implementados por meio do padrão Fast Healthcare Interoperability Resources (FHIR) e foi descoberto que categoriza com precisão o risco de mortalidade de pacientes, destacando o potencial dessas ferramentas no cuidado oncológico.