Maskinlæring for å forutsi akuttbehandling under kreftterapi (Chemo-SHIELD)

En tidligere beskrevet maskinlæring (ML)-basert modell spådde nøyaktig ED-besøk eller sykehusinnleggelser for kreftpasienter som gjennomgikk strålebehandling eller kjemoradiasjon. En IRB-godkjent prospektiv randomisert studie, SHIELD-RT (NCT04277650) fant at forebyggende intervensjon for pasienter som gjennomgår stråling og kjemoradiasjon basert på ML-modellens risikostratifisering reduserte den relative risikoen for akutte behandlingsbesøk med 50 %, noe som viser at ML-veiledet opptrapping av omsorgen forbedret personlig støttende omsorg og behandlingsoverholdelse samtidig som de reduserer helsekostnader.

Målet med denne studien er å anvende denne validerte ML-baserte modellen på en gruppe pasienter som gjennomgår systemisk terapi som poliklinisk kreftbehandling for å generere et automatisk system for prediksjon av ikke-planlagte sykehusinnleggelsesrater og akuttmottak. Når den er validert, vil denne studien legge til det tidligere publiserte bevismaterialet som støtter en randomisert studie som evaluerer ML-algoritmens evne til å tilordne intervensjon for pasienter som får systemisk terapi med høyest risiko for akutte behandlinger.