Maskinlæring til at forudsige akut pleje under kræftterapi (Chemo-SHIELD)

En tidligere beskrevet machine learning (ML)-baseret model forudsagde nøjagtigt ED-besøg eller hospitalsindlæggelser for cancerpatienter, der gennemgår strålebehandling eller kemoradiation. Et IRB-godkendt prospektivt randomiseret forsøg, SHIELD-RT (NCT04277650) fandt, at forebyggende indgreb til patienter, der gennemgår stråling og kemoradiation baseret på ML-modellens risikostratificering, reducerede den relative risiko for akutte plejebesøg med 50 %, hvilket viste, at ML-styret eskalering af pleje forbedret personlig understøttende pleje og behandlingsoverholdelse, samtidig med at sundhedsomkostningerne reduceres.

Formålet med denne undersøgelse er at anvende denne validerede ML-baserede model på en kohorte af patienter, der gennemgår systemisk terapi som ambulant cancerbehandling, for at generere et automatisk system til forudsigelse af uplanlagte hospitalsindlæggelsesrater og skadestuemøder. Når denne undersøgelse er valideret, vil den føje til det tidligere offentliggjorte bevismateriale, der understøtter et randomiseret forsøg, der evaluerer ML-algoritmens evne til at tildele intervention til patienter, der modtager systemisk terapi med størst risiko for akutte behandlinger.