AI routine blood tests నుండి liver cancer ప్రమాదాన్ని ఊహిస్తుంది

కీలక screening gap ను మూసివేయడం

Hepatocellular carcinoma (HCC), liver cancer యొక్క అత్యంత సాధారణ రూపం, తరచుగా advanced stages లో నిర్ధారణ చేయబడుతుంది, ఆ సమయంలో చికిత్స ఎంపికలు పరిమితమైనవి మరియు survival rates తక్కువగా ఉంటాయి. ప్రస్తుత clinical guidelines screening కార్యక్రమాలను cirrhosis లేదా chronic liver disease యొక్క తెలిసిన నిర్ధారణ ఉన్న రోగులపై కేంద్రీకృతం చేస్తాయి — కానీ Cancer Discovery లో ప్రచురితమైన ఒక కొత్త అధ్యయనం ఈ విధానలో ఒక సంక్షిప్త లోపాన్ని బహిర్గతం చేస్తుంది: ఒక పెద్ద జనాభా అధ్యయనంలో, 69 శాతం HCC కేసులు prior liver disease diagnosis ఎప్పుడూ పొందని రోగులలో సంభవించాయి.

ఈ ఒకే ఆবిష్కారం — చాలా liver cancer రోగులకు నిర్ధారణకు ముందు ఏ flagged risk status లేకపోవడం — ఇది ప్రస్తుత screening protocols జోఖిమ్లో ఉన్న జనాభాలో చాలా భాగాన్ని మిస్ చేస్తుందని సూచిస్తుంది. RWTH Aachen University లో Dr. Carolin Schneider నేతృత్వంలో పరిశోధకులచే developed ఒక machine learning model ఈ పరిస్థితిని మార్చడానికి సంభావ్య మార్గాన్ని అందిస్తుంది. routine clinical records లో ఇప్పటికే ఉన్న డేటాను మాత్రమే ఉపయోగించి, ఈ model area under the receiver operating characteristic curve (AUROC) యొక్క 0.88ని సాధించింది — ఇది HCC risk assessment కోసం ఉపయోగించిన ప్రతిটి ఆధునిక clinical scoring tool కంటే గణనీయంగా ఉత్తమం.

Model ఎలా పనిచేస్తుంది

పరిశోధకులు random forest model కిని శిక్షణ ఇచ్చారు — ఒక ensemble approach ఇది hundreds of decision trees నిర్మిస్తుంది మరియు వాటి predictions ను సమీకృతం చేస్తుంది — UK Biobank లో 500,000+ సభ్యుల electronic health record data మరియు routine blood test results పై. శిక్షణ dataset 538 confirmed HCC cases లను కలిగి ఉంది, ఇది model కిని clinical features యొక్క ఏ కలయికలు సమయానికి cancer development ఊహించాలో నేర్చుకోవడానికి అనుమతించింది.

Inputs ఉద్దేశ్యపూర్వకంగా practical. Model patient demographics, standard blood chemistry panels (liver enzymes, complete blood count, metabolic markers), మరియు structured EHR data ఉపయోగిస్తుంది — primary care physicians ఇప్పటికే routine check-ups లో సేకరించే సమాచారం. ఎటువంటి specialized imaging లేదు, ఎటువంటి genetic sequencing లేదు, ఎటువంటి biomarker panels లేదు dedicated laboratory infrastructure కోసం.

Model యొక్క simplified version, కేవలం 15 clinical features ఉపయోగించి, ప్రతిটి existing risk scoring tool కంటే ఉత్తమం. ఇది real-world deployment కోసం ముఖ్యమైనది: ఒక 15-feature model fast, transparent, మరియు existing clinical decision support systems లో workflow changes లేకుండా సులభంగా integrate చేయవచ్చు.

ఆశ్చర్యకరమైన ఆవిష్కారం: చాలా రోగులకు Prior Diagnosis లేదు

69 శాతం సంఖ్య — prior liver disease diagnosis లేని HCC cases — ఇది ఈ అధ్యయనంలో చాలా provocative ఫలితం. ఇది నేరుగా existing disease categories ద్వారా గుర్తించిన guideline-defined high-risk groups కు HCC surveillance కు సীమిత చేయవచ్చు rationale చేస్తుంది. liver cancers యొక్క చాలా భాగం guideline-defined high-risk patients లో develop చేస్తే, చెత్త screening protocol కూడా guideline-defined high-risk patients కి applied చేస్తే రెండు-మూడవ భాగం కంటే ఎక్కువ cases ను miss చేస్తుంది.

Machine learning model ఈ విస్తృత జనాభాలో elevated HCC risk ను గుర్తించే సామర్థ్యం — కేవలం routine clinical data ఉపయోగించి — ఇది primary care settings లో first-pass triage tool గా సేవ చేయవచ్చని సూచిస్తుంది. High risk కిని చిహ్నితం చేయబడిన రోగులను imaging లేదా blood-based cancer screening tests కోసం refer చేయవచ్చు, earlier detection సక్షమం చేస్తుంది curative treatment విధానాలను feasible చేసే stages లో.

Diverse Populations లో Validation

ఒక model primarily UK Biobank data పై చేయించిన — white, older British participants కు skew చేసే — ఇతర populations లో generalize కాకపోవచ్చు. పరిశోధకులు ఈ concern కిని All of Us registry పై validation ద్వారా address చేశారు, ఒక US National Institutes of Health dataset విభిన్నమైన ethnic మరియు socioeconomic backgrounds నుండి 400,000+ సభ్యులు..

All of Us validation cohort లో demographic groups కిని across model యొక్క performance ఆయా, ఇది HCC risk prediction చేస్తే clinical features populations across consistent ఉందని సూచిస్తుంది US, Europe, మరియు beyond లోని health systems broad deployment సపోర్ట చేస్తాయి. ఇది ఒక tool కోసం ఒక ముఖ్యమైన ఫలితం diverse patient populations లో ఉపయోగానికి intended.

పరిశోధకులు కూడా test చేశారు genomic data లేదా metabolomic biomarker panels ని జోడించడం prediction upgrade చేస్తుందా. Notable, ఈ expensive additional data types baseline clinical model చేస్తే minimal performance lift అందిస్తాయి. Implication ఏమిటంటే చాలా useful HCC risk signal అందరిలో ఇప్పటికే routine data లో embed చేయబడినది health systems gather చేస్తాయి, మరియు దానిని extract చేయడానికి more data collection కంటే better analytics అవసరం.

Clinical Deployment కోసం Path

ఈ అధ్యయనం retrospective, అంటే ఇది prospectively రోగులకు follow చేయడానికి బదులుగా historical records analyze చేసింది. Prospective validation — జనాభాను forward follow చేయడం మరియు model-flagged రోగులు నిజానికి higher rates లో HCC develop చేస్తారా అని measure చేయడం — clinical adoption ముందు next required step.

పరిశోధకులు అనేక additional limitations note చేస్తారు: UK Biobank జనాభా hepatitis B మరియు C virus infections ఉన్న రోగులని underrepresent చేస్తుంది, ఇది globally major HCC risk factors. ఫ్యూచర్ model iterations viral hepatitis data incorporate చేయాలి మరియు high-prevalence hepatitis regions లో performance validate చేయాలి.

ఈ caveats తర్వాత, ఈ అధ్యయనం core contribution substantial. ఒక tool primary care physician existing patient data పై run చేయవచ్చు, ఎటువంటి additional tests అవసరం లేదు, మరియు 0.88 AUROC performance సిద్ధం చేసి elevated liver cancer risk ఉన్న రోగులను identify చేస్తుంది, ఇది clinical status quo కు above meaningful advance represent చేస్తుంది. Prospectively validated మరియు EHR workflows లో integrated చేయినట్లయితే, ఇది one of the most impactful AI screening tools become చేస్తుంది clinical practice కు reach చేస్తుంది.

ఈ article Medical Xpress reporting ఆధారం చేసి. అసలు article చదవండి.