AI routine blood tests वरून liver cancer चा जोखिम अंदाज लावतो

एक महत्वाचा screening gap बंद करणे

Hepatocellular carcinoma (HCC), liver cancer चे सर्वात सामान्य स्वरूप, बहुतेक वेळा advanced stages मध्ये निदान केले जाते जेव्हा treatment options मर्यादित असतात आणि survival rates कमी असतात। वर्तमान clinical guidelines screening प्रयत्नांना त्या रुग्णांवर केंद्रित करतात ज्यांना cirrhosis किंवा chronic liver disease चे ज्ञात निदान आहे — परंतु Cancer Discovery मध्ये प्रकाशित एक नवीन अभ्यास या दृष्टिकोनातील एक critical flaw उघड करतो: एक मोठ्या population study मध्ये, 69 टक्के HCC प्रकरणे अशा रुग्णांमध्ये आली ज्यांना कधीही prior liver disease निदान मिळालेले नव्हते।

हा एकच आढावा — की बहुतेक liver cancer रुग्णांना निदानापूर्वी कोणतीही flagged risk status नव्हती — यामुळे असे सूचित होते की वर्तमान screening protocols जोखिमीत असलेल्या बहुतेक लोकांना चुकते. RWTH Aachen University मध्ये Dr. Carolin Schneider यांच्या नेतृत्वाखाली संशोधकांनी विकसित केलेले एक machine learning model या परिस्थितीला बदल आणण्याचा एक संभाव्य मार्ग प्रदान करते. फक्त अशा डेटाचा वापर करून जो आधीच routine clinical records मध्ये अस्तित्वात आहे, या model ने area under the receiver operating characteristic curve (AUROC) चा 0.88 प्राप्त केला — जो HCC risk assessment साठी वापरल्या जाणार्‍या प्रत्येक प्रमाणित clinical scoring tool ना substantially outperform करतो।

Model कसे कार्य करते

संशोधकांनी एक random forest model प्रशिक्षित केले — एक ensemble approach जो शतकडे decision trees तयार करतो आणि त्यांच्या predictions एकत्रित करतो — UK Biobank मध्ये 500,000 हून अधिक सहभागींच्या electronic health record data आणि routine blood test results वर. प्रशिक्षण dataset मध्ये 538 confirmed HCC प्रकरणे होती, ज्यामुळे model ला हे शिकण्याचा अवसर मिळाला की clinical features चा कोणता संयोजन काळानुरूप cancer development अंदाज लावतो।

Inputs हेतुपूर्वक practical आहेत. Model patient demographics, standard blood chemistry panels (liver enzymes, complete blood count, metabolic markers), आणि structured EHR data वापरतो — अशी माहिती जी primary care physicians आधीच routine check-ups मध्ये गोळा करतात. कोणतीही specialized imaging नाही, कोणतेही genetic sequencing नाही, कोणते biomarker panels नाहीत जिन्हास dedicated laboratory infrastructure आवश्यक आहे।

Model च्या एक simplified version, फक्त 15 clinical features वापरून, प्रत्येक प्रमाणित risk scoring tool ना outperform करतो. हे real-world deployment साठी महत्वाचे आहे: एक 15-feature model जलद, पारदर्शक, आणि existing clinical decision support systems मध्ये workflow changes करता आसानीने integrate होऊ शकतो।

आश्चर्यकारक आढावा: बहुतेक रुग्णांना Prior Diagnosis नव्हते

69 टक्के आकडेवारी — prior liver disease निदान नसलेल्या HCC प्रकरणे — हा या अभ्यासातील सर्वात provocative परिणाम आहे. हे सरळ रीतीने guideline-defined high-risk groups ला HCC surveillance मर्यादित करण्याचे rationale challenge करते. जर liver cancers चा बहुसंख्य guideline-defined high-risk patients मध्ये विकसित होत असेल, तर एक perfect screening protocol देखील guideline-defined high-risk patients मध्ये लागू केल्यास दोन-तृतीयांश हून अधिक प्रकरणे चुकून जाईल।

Machine learning model या व्यापक लोकसंख्यातील elevated HCC risk ओळखण्याची क्षमता — फक्त routine clinical data वापरून — असे सूचित करते की हे primary care settings मध्ये एक first-pass triage tool म्हणून काम करू शकते. High risk म्हणून चिह्नित केलेल्या रुग्णांना नंतर imaging किंवा blood-based cancer screening tests साठी refer केले जाऊ शकते, जेव्हा curative treatment अधिक feasible असते तेव्हा earlier detection सक्षम करते।

विविध Populations मध्ये Validation

एक model जो primarily UK Biobank data वर प्रशिक्षित आहे — जो white, older British participants कडे skew करतो — इतर populations मध्ये generalize करू शकत नाही. संशोधकांनी हा concern All of Us registry मध्ये validation द्वारे address केला, एक US National Institutes of Health dataset जिथे विविध ethnic आणि socioeconomic backgrounds वरून 400,000 हून अधिक सहभागी आहेत।

All of Us validation cohort मध्ये demographic groups भोवती model च्या performance अक्षुण्ण राहिले, ज्यामुळे असे सूचित होते की HCC risk prediction ला drive करणारी clinical features populations भोवती consistent आहेत जी US, Europe, आणि beyond मधील health systems broad deployment ला support करतात. हा एक महत्वाचा परिणाम आहे diverse patient populations भोवती वापरण्यासाठी intended असलेल्या tool साठी।

संशोधकांनी हे देखील test केले की genomic data किंवा metabolomic biomarker panels जोडल्यास prediction मध्ये सुधार होतो. उल्लेखनीयपणे, हे expensive additional data types baseline clinical model साठी minimal performance lift प्रदान करतात. Implication असे आहे की सर्वात useful HCC risk signal आधीच routine data मध्ये embedded आहे जो health systems गोळा करतात, आणि हे extract करण्यासाठी more data collection ऐवजी better analytics आवश्यक आहे।

Clinical Deployment साठी Path

हा अभ्यास retrospective आहे, म्हणजे तो prospectively रुग्णांचे अनुसरण करण्याऐवजी historical records analyze केले. Prospective validation — एक population forward अनुसरण करणे आणि हे measure करणे की model-flagged रुग्ण खरोखर उच्च दरांत HCC विकसित करतात — clinical adoption पूर्वी अगला आवश्यक step आहे।

संशोधक अनेक additional limitations note करतात: UK Biobank population hepatitis B आणि C virus infections असलेल्या रुग्णांना underrepresent करतो, जे globally major HCC risk factors आहेत. भविष्यातील model iterations viral hepatitis data incorporate केले पाहिजेत आणि high-prevalence hepatitis regions मध्ये performance validate केले पाहिजे।

हे caveats असूनही, या अभ्यासचे core contribution substantial आहे. एक tool जो primary care physician existing patient data वर run करू शकतो, कोणते additional tests आवश्यक नाहीत, आणि जो 0.88 AUROC performance सह elevated liver cancer risk असलेल्या रुग्णांना ओळखतो, हा clinical status quo च्या वर एक meaningful advance दर्शवितो. जर prospectively validated आणि EHR workflows मध्ये integrated केले गेले, तर हे one of the most impactful AI screening tools बनू शकते जे clinical practice मध्ये पोहोचते।

हा article Medical Xpress द्वारे reporting वर आधारित आहे. मूल article वाचा.