Aprendizaje automático para predecir la atención aguda durante la terapia del cáncer (Chemo-SHIELD)

Un modelo basado en aprendizaje automático (ML) descrito anteriormente predijo con precisión las visitas al servicio de urgencias u hospitalizaciones para pacientes con cáncer que se sometían a radioterapia o quimiorradiación. Un ensayo aleatorizado prospectivo aprobado por el IRB, SHIELD-RT (NCT04277650) encontró que la intervención preventiva para pacientes que se someten a radiación y quimiorradiación basada en la estratificación de riesgo del modelo ML redujo el riesgo relativo de visitas de atención aguda en un 50 %, lo que demuestra que la escalada de atención guiada por ML mejoró la atención de apoyo personalizada y el cumplimiento del tratamiento al tiempo que disminuyó los costos de atención médica.

El objetivo de este estudio es aplicar este modelo basado en ML validado a una cohorte de pacientes que se someten a terapia sistémica como tratamiento ambulatorio del cáncer para generar un sistema automático para la predicción de tasas de hospitalización no planificadas y encuentros en el departamento de emergencias. Una vez validado, este estudio se sumará al cuerpo de evidencia previamente publicado que respalda un ensayo aleatorizado que evalúa la capacidad del algoritmo ML para asignar la intervención para pacientes que reciben terapia sistémica con el mayor riesgo de encuentros de atención aguda.