एमोरी यूनिवर्सिटी के विनशिप कैंसर इंस्टीट्यूट और पेन्सिलवेनिया यूनिवर्सिटी के अब्रामसन कैंसर सेंटर के शोधकर्ताओं के नेतृत्व में एक नए अध्ययन से पता चलता है कि कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करने वाला अपनी तरह का पहला प्लेटफॉर्म चिकित्सकों और मरीजों को यह आकलन करने में मदद कर सकता है कि एक व्यक्तिगत मरीज कितना है। क्लिनिकल परीक्षण में परीक्षण की जा रही किसी विशेष थेरेपी से लाभ हो सकता है। यह एआई प्लेटफॉर्म सूचित उपचार निर्णय लेने, नवीन उपचारों के अपेक्षित लाभों को समझने और भविष्य की देखभाल की योजना बनाने में मदद कर सकता है।
अध्ययन, में प्रकाशित प्राकृतिक चिकित्साका नेतृत्व बोर्ड-प्रमाणित मेडिकल ऑन्कोलॉजिस्ट रवि बी. पारिख, एमडी, एमपीपी, एमोरी यूनिवर्सिटी के विनशिप कैंसर इंस्टीट्यूट में डेटा और टेक्नोलॉजी एप्लीकेशन शेयर्ड रिसोर्स के मेडिकल डायरेक्टर और एमोरी यूनिवर्सिटी स्कूल में हेमेटोलॉजी और मेडिकल ऑन्कोलॉजी विभाग में एसोसिएट प्रोफेसर ने किया। मेडिसिन विभाग, जो कैंसर के रोगियों की देखभाल में सुधार के लिए एआई अनुप्रयोगों को विकसित और एकीकृत करता है। क्यूई लॉन्ग, पीएचडी, बायोस्टैटिस्टिक्स और कंप्यूटर और सूचना विज्ञान के प्रोफेसर, और पेंसिल्वेनिया विश्वविद्यालय में सेंटर फॉर कैंसर डेटा साइंस के संस्थापक निदेशक, और पेन मेडिसिन के अब्रामसन कैंसर सेंटर के क्वांटिटेटिव डेटा साइंस के एसोसिएट डायरेक्टर थे। -वरिष्ठ लेखक. अध्ययन के पहले लेखक ज़ेवियर ऑर्कट, एमडी, पारिख की प्रयोगशाला में एक प्रशिक्षु थे। अन्य अध्ययन लेखकों में लॉन्ग लैब में प्रशिक्षण प्राप्त पीएचडी छात्र कान चेन और पेंसिल्वेनिया विश्वविद्यालय में मेडिसिन के एसोसिएट प्रोफेसर रोनाक ममतानी शामिल हैं।
पारिख और उनके साथी शोधकर्ताओं ने ट्रायलट्रांसलेटर विकसित किया, जो वास्तविक दुनिया की आबादी के लिए नैदानिक परीक्षण परिणामों का “अनुवाद” करने के लिए एक मशीन लर्निंग ढांचा है। वास्तविक दुनिया के डेटा का उपयोग करके 11 ऐतिहासिक कैंसर नैदानिक परीक्षणों का अनुकरण करके, वे वास्तविक नैदानिक परीक्षण निष्कर्षों को दोहराने में सक्षम थे, इस प्रकार उन्हें यह पहचानने में सक्षम बनाया गया कि रोगियों के कौन से अलग-अलग समूह नैदानिक परीक्षण में उपचार के लिए अच्छी प्रतिक्रिया दे सकते हैं, और जो नहीं कर सकते हैं।
पारिख कहते हैं, “हमें उम्मीद है कि यह एआई प्लेटफॉर्म डॉक्टरों और मरीजों को यह तय करने में मदद करने के लिए एक रूपरेखा प्रदान करेगा कि नैदानिक परीक्षण के परिणाम व्यक्तिगत मरीजों पर लागू हो सकते हैं या नहीं।” “इसके अलावा, यह अध्ययन शोधकर्ताओं को उन उपसमूहों की पहचान करने में मदद कर सकता है जिनमें नए उपचार काम नहीं करते हैं, जिससे उन उच्च जोखिम वाले समूहों के लिए नए नैदानिक परीक्षणों को बढ़ावा मिलेगा।”
लॉन्ग कहते हैं, “हमारा काम सटीक चिकित्सा को सर्वोत्तम रूप से आगे बढ़ाने के लिए समृद्ध, फिर भी जटिल वास्तविक दुनिया डेटा की शक्ति का उपयोग करने के लिए एआई/एमएल का लाभ उठाने की विशाल क्षमता को प्रदर्शित करता है।”
परीक्षण परिणामों की सीमित सामान्यीकरण
पारिख बताते हैं कि संभावित नए उपचारों के क्लिनिकल परीक्षण सीमित हैं क्योंकि कैंसर से पीड़ित सभी रोगियों में से 10% से भी कम लोग क्लिनिकल परीक्षण में भाग लेते हैं। इसका मतलब यह है कि क्लिनिकल परीक्षण अक्सर उस कैंसर वाले सभी रोगियों का प्रतिनिधित्व नहीं करते हैं। भले ही एक नैदानिक परीक्षण से पता चलता है कि एक नई उपचार रणनीति के परिणाम देखभाल के मानक से बेहतर हैं, “ऐसे कई मरीज़ हैं जिनमें नया उपचार काम नहीं करता है,” पारिख कहते हैं।
“यह ढांचा और हमारे ओपन-सोर्स कैलकुलेटर मरीजों और डॉक्टरों को यह तय करने की अनुमति देंगे कि चरण III नैदानिक परीक्षणों के परिणाम कैंसर वाले व्यक्तिगत रोगियों पर लागू होते हैं या नहीं,” उन्होंने कहा, “यह अध्ययन वास्तविक दुनिया की सामान्यीकरण का विश्लेषण करने के लिए एक मंच प्रदान करता है।” अन्य यादृच्छिक परीक्षण, जिनमें वे परीक्षण भी शामिल हैं जिनके परिणाम नकारात्मक रहे हैं।”
उन्होंने अपना विश्लेषण कैसे किया
पारिख और सहकर्मियों ने 11 ऐतिहासिक यादृच्छिक नियंत्रित परीक्षणों (अध्ययन जो समूहों में प्रतिभागियों को यादृच्छिक रूप से निर्दिष्ट करके विभिन्न उपचारों के प्रभावों की तुलना करते हैं) का अनुकरण करने के लिए फ़्लैटिरॉन हेल्थ से इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) के एक राष्ट्रव्यापी डेटाबेस का उपयोग किया, जिसमें देखभाल के मानक माने जाने वाले एंटीकैंसर आहार की जांच की गई। संयुक्त राज्य अमेरिका में चार सबसे प्रचलित उन्नत ठोस घातक कैंसर: उन्नत गैर-छोटी कोशिका फेफड़ों का कैंसर, मेटास्टैटिक स्तन कैंसर, मेटास्टैटिक प्रोस्टेट कैंसर और मेटास्टैटिक कोलोरेक्टल कैंसर।
उन्होंने क्या पाया
उनके विश्लेषण से पता चला कि कम और मध्यम जोखिम वाले फेनोटाइप वाले मरीज़, जो मशीन लर्निंग-आधारित लक्षण हैं, जिनका उपयोग किसी मरीज के अंतर्निहित पूर्वानुमान का आकलन करने के लिए किया जाता है, उनके जीवित रहने के समय और उपचार से जुड़े जीवित रहने के लाभ उन लोगों के समान थे जो यादृच्छिक नियंत्रित में देखे गए थे। परीक्षण. इसके विपरीत, उच्च जोखिम वाले फेनोटाइप वाले लोगों ने यादृच्छिक नियंत्रित परीक्षणों की तुलना में जीवित रहने के समय और उपचार से जुड़े उत्तरजीविता लाभ को काफी कम दिखाया।
उनके निष्कर्षों से पता चलता है कि मशीन लर्निंग वास्तविक दुनिया के रोगियों के समूहों की पहचान कर सकती है जिनमें यादृच्छिक नियंत्रित परीक्षण परिणाम कम सामान्यीकरण योग्य हैं। इसका मतलब है, वे कहते हैं, कि “वास्तविक दुनिया के रोगियों में यादृच्छिक नियंत्रित परीक्षण प्रतिभागियों की तुलना में अधिक विषम पूर्वानुमान होने की संभावना है।”
यह महत्वपूर्ण क्यों है?
शोध दल ने निष्कर्ष निकाला है कि अध्ययन “सुझाव देता है कि पात्रता मानदंड के बजाय रोगी का पूर्वानुमान, जीवित रहने और उपचार के लाभ की बेहतर भविष्यवाणी करता है।” वे अनुशंसा करते हैं कि संभावित परीक्षणों को “केवल सख्त पात्रता मानदंडों पर निर्भर रहने के बजाय, प्रवेश पर रोगियों के पूर्वानुमान का मूल्यांकन करने के अधिक परिष्कृत तरीकों पर विचार करना चाहिए।”
इसके अलावा, वे अमेरिकन सोसाइटी ऑफ क्लिनिकल ऑन्कोलॉजी और फ्रेंड्स ऑफ कैंसर रिसर्च की सिफारिशों का हवाला देते हैं कि यादृच्छिक नियंत्रित परीक्षणों में उच्च जोखिम वाले उपसमूहों के प्रतिनिधित्व में सुधार करने के प्रयास किए जाने चाहिए “यह ध्यान में रखते हुए कि इन व्यक्तियों के लिए उपचार के प्रभाव अन्य प्रतिभागियों से भिन्न हो सकते हैं। “
इस तरह के अध्ययनों में एआई की भूमिका के बारे में, पारिख कहते हैं, “जल्द ही, उचित निरीक्षण और साक्ष्य के साथ, एआई-आधारित बायोमार्कर की वृद्धि होगी जो भविष्यवाणी करने में मदद करने के लिए पैथोलॉजी, रेडियोलॉजी या इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड जानकारी का विश्लेषण कर सकती है।” क्या मरीज़ कुछ उपचारों पर प्रतिक्रिया देंगे या नहीं देंगे, कैंसर का पहले निदान करेंगे या हमारे मरीज़ों के लिए बेहतर पूर्वानुमान लाएंगे।”
इस शोध को राष्ट्रीय स्वास्थ्य संस्थान: K08CA263541, P30CA016520 और U01CA274576 के अनुदान द्वारा समर्थित किया गया था।
