机器学习触发的提醒改善癌症患者的临终关怀

根据宾夕法尼亚大学医学研究人员在JAMA肿瘤学上发表的一项随机临床试验的长期结果，基于机器学习算法向医疗保健临床医生提供的电子轻推，该算法预测死亡风险，与患者就临终关怀偏好进行对话的比率翻了两番。

该研究还发现，机器学习触发的提醒显着减少了生命结束时积极化疗和其他全身疗法的使用，研究表明这与生活质量差和副作用有关，可能导致在最后几天不必要的住院治疗。

对于癌症进展到无法治愈阶段的患者，有些人可能会优先考虑尽可能延长寿命的治疗，而另一些人可能更喜欢旨在最大限度地减少疼痛或恶心的护理计划，具体取决于他们的疾病前景。

与患者讨论他们的预后和价值观可以帮助临床医生制定更符合每个人目标的护理计划。尽管如此，讨论必须在患者病得太重之前进行。

“这项研究表明，我们可以使用信息学来改善临终时的护理，”资深作者Ravi B. Parikh博士说，他是宾夕法尼亚大学佩雷尔曼医学院的肿瘤学家和医学伦理和健康政策与医学助理教授，也是艾布拉姆森癌症中心宾夕法尼亚癌症护理创新中心的副主任。

“与癌症患者沟通他们的目标和愿望是护理的关键部分，可以减少生命结束时不必要或不必要的治疗。问题是我们做得还不够，而且很难确定何时该与特定患者进行对话。

Parikh及其同事此前证明，机器学习算法可以识别未来六个月内死亡风险高的癌症患者。他们将算法与电子邮件和短信形式的基于行为的“轻推”配对，以提示临床医生在与高风险患者的预约期间发起严重疾病的对话。

该研究于 2020 年发表的初步结果表明，为期 16 周的干预使这些对话的比率增加了两倍。

这项研究代表了肿瘤学人工智能的重要一步，是癌症护理中基于机器学习的行为干预的首次随机试验。该研究包括在宾夕法尼亚大学医学院的几个地点接受癌症治疗的20，506名患者，总共有超过40，000名患者就诊，使其成为基于机器学习的干预措施的最大研究，重点是肿瘤学中的严重疾病护理。

今天公布的研究结果显示，经过24周的随访期，高风险患者的对话率几乎翻了两番，从3.4%增加到13.5%。在研究期间死亡的患者中，在生命的最后两周使用化疗或靶向治疗从10.4%下降到7.5%。

该干预对其他临终指标没有影响，包括临终关怀登记或住院时间、住院患者死亡或临终重症监护病房的使用。

值得注意的是，在未被算法标记为高风险的患者中也观察到有关护理目标的对话增加，这表明这些轻推导致临床医生在整个实践中改变他们的行为。

在所有患者人口统计数据中都观察到了这种增长，但在医疗保险受益人中更大，这表明干预可能有助于纠正关于严重疾病的对话中的差异。

在这项研究结果的基础上，研究小组将相同的方法扩展到宾夕法尼亚大学卫生系统内的所有肿瘤学实践，目前正在分析这些结果。该研究的其他计划包括将AI算法与早期姑息治疗转诊的提示配对，并将该算法用于患者教育。

“虽然我们显着增加了患者和临床医生之间关于严重疾病的对话数量，但仍然只有不到一半的患者进行了对话，”Parikh说。“我们需要做得更好，因为我们知道，当他们的医疗保健临床医生了解每个患者的个人目标和护理优先事项时，患者会受益。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！