Ein Modell für maschinelles Lernen kann eine Vorhersage des Leberkrebsrisikos anhand routinemäßiger klinischer Informationen ermöglichen

Ein Modell für maschinelles Lernen kann eine Vorhersage des Leberkrebsrisikos anhand routinemäßiger klinischer Informationen ermöglichen von der American Association for Cancer Research bearbeitet von Sadie Harley, rezensiert von Andrew Zinin Sadie Harley wissenschaftlicher Redakteur Lernen Sie unser Redaktionsteam kennen Hinter unserem Redaktionsprozess Andrew Zinin Chefredakteur Lernen Sie unser Redaktionsteam kennen Hinter unserem Redaktionsprozess Anmerkungen der Redaktion Dieser Artikel wurde von Science X überprüft redaktionellen Prozess und Richtlinien. Die Redakteure haben hervorgehoben die folgenden Attribute und stellt gleichzeitig die Glaubwürdigkeit des Inhalts sicher: faktengeprüft peer-reviewte Veröffentlichung vertrauenswürdige Quelle Korrekturlesen Der GIST Als bevorzugte Quelle hinzufügen Ein maschinelles Lernmodell, das Patientendaten, Daten aus elektronischen Gesundheitsakten und Ergebnisse routinemäßiger Blutuntersuchungen analysiert, hat das Risiko eines Patienten für ein hepatozelluläres Karzinom (HCC), die häufigste Art von Leberkrebs, mit hoher Genauigkeit vorhergesagt. Dies sind die Ergebnisse einer Studie, die in Cancer Discovery veröffentlicht wurde. Personen, bei denen ein erhöhtes HCC-Risiko angenommen wird, haben möglicherweise Anspruch auf eine bildgebende und blutbasierte Krebsvorsorgeuntersuchung, um die Krankheit frühzeitig zu erkennen. Allerdings konzentrieren sich die aktuellen Leitlinien auf eine kleine Hochrisikopopulation und lassen viele gefährdete Personen außer Acht, erklärte Dr. Carolin Schneider, Co-Seniorin und korrespondierende Autorin und Assistenzprofessorin an der RWTH Aachen in Deutschland. Schneider leitete die Studie gemeinsam mit Jakob Kather, MD, MSc, einem Professor für klinische künstliche Intelligenz an der Technischen Universität Dresden, Deutschland. Jan Clusmann, MD, ist Erstautor der Studie und klinischer Wissenschaftler an der Technischen Universität Dresden. „Das Screening wird typischerweise für Patienten mit bestätigter Leberzirrhose oder schwerer Lebererkrankung empfohlen, da bei diesen Patienten viele Fälle von HCC auftreten. Es gibt aber auch viele Personen mit nicht diagnostizierter Leberzirrhose oder anderen Risikofaktoren, die ebenfalls von einem Leberkrebs-Screening profitieren könnten“, sagte Schneider. Zu den weiteren Faktoren, die das Risiko eines Patienten für die Entwicklung eines HCC erhöhen, gehören unter anderem die männliche Zugehörigkeit, Rauchen und starker Alkoholkonsum, fügte Clusmann hinzu. „Da es so viele Faktoren gibt, die das Risiko beeinflussen, besteht ein dringender Bedarf an wirksamen Instrumenten, die Ärzten dabei helfen, Hochrisikopatienten zu identifizieren“, sagte er. „Werkzeuge für maschinelles Lernen, die gleichzeitig mit verschiedenen Arten klinischer Daten arbeiten können, könnten für diese große klinische Herausforderung besonders nützlich sein.“ In dieser Studie verwendeten Clusmann, Kather, Schneider und Kollegen Daten der britischen Biobank, um Modelle für maschinelles Lernen zu entwickeln, die verschiedene Arten klinischer Daten analysieren, um das HCC-Risiko zu bewerten. Die UK Biobank enthielt Daten von mehr als 500.000 Personen im Vereinigten Königreich und umfasste 538 HCC-Fälle, von denen 69 % bei Patienten auftraten, bei denen zuvor keine Leberzirrhose, Virushepatitis oder andere chronische Lebererkrankungen diagnostiziert worden waren. Die Forscher trainierten ihre Modelle anhand von 80 % der Daten der britischen Biobank und führten eine erste Validierung der restlichen 20 % durch.