Brug af undersøgelser til at undersøge sammenhængen mellem eksponering for ML-forudsigelser om dødelighedsrisiko med medicinske onkologers prognostiske nøjagtighed og beslutningstagning

Næsten halvdelen af ​​kræftpatienter i USA vil modtage behandling, der ikke er i overensstemmelse med deres ønsker forud for døden. Tidlig avanceret plejeplanlægning (ACP) og palliativ pleje forbedrer måloverensstemmende pleje og symptomer og reducerer unødvendig udnyttelse. En lovende strategi til at øge ACP og palliativ behandling er at identificere patienter med risiko for dødelighed tidligere i sygdomsforløbet for at målrette disse tjenester. Machine learning (ML) algoritmer er blevet brugt i forskellige industrier, herunder medicin, til præcist at forudsige risikoen for negative resultater og dirigere tidligere ressourcer. "Menneske-maskine-samarbejder" - systemer, der udnytter både ML og menneskelig intuition - har vist sig at forbedre forudsigelser og beslutningstagning i forskellige situationer, men det vides ikke, om menneske-maskine-samarbejder kan forbedre prognostisk nøjagtighed og føre til større og tidligere AVS og palliativ pleje. I denne undersøgelse kontaktede vi et nationalt udvalg af medicinske onkologer og inviterede dem til at gennemføre en vignetbaseret undersøgelse. Vores mål var at undersøge sammenhængen mellem eksponering for ML-dødelighedsrisikoforudsigelser med klinikeres prognostiske nøjagtighed og beslutningstagning. Vi præsenterede en serie på seks vignetter, der beskriver tre kliniske scenarier, der er specifikke for en patient med fremskreden ikke-småcellet lungekræft (aNSCLC), der adskiller sig efter alder, køn, præstationsstatus, rygehistorie, sygdomsudstrækning, symptomer og molekylær status. Vi vil bruge disse vignet-baserede undersøgelser til at undersøge sammenhængen mellem eksponering for ML-dødelighedsrisikoforudsigelser og medicinske onkologers prognose nøjagtighed og beslutningstagning.