Kunstig intelligens for å lete etter abnormiteter hos ambulante kreftpasienter (IASAAC)

Under behandlingen kan kreftpasienter oppleve bivirkninger knyttet til sykdommen, men også til de ulike behandlingene de får.

For tiden er bivirkninger og toksisiteter godt kodifisert i onkologimiljøet, spesielt via NCI CTCAE-kriteriene.

I motsetning til objektive data som en blodprøve eller en CTscan, er en stor skjevhet i pasientvurderingen den subjektive vurderingen av legen eller teamet på et gitt tidspunkt, som kanskje ikke gjenspeiler den generelle situasjonen (på godt og vondt). Flere studier hadde allerede fremhevet avvikene mellom medisinsk og pasientdatainnsamling.

Selvevaluering av symptomer er en måte å overvinne denne skjevheten på. Dessuten er det nå et stort antall løsninger som gjør det mulig å utføre disse selvevalueringene hjemme.

Takket være disse verktøyene er det nå to situasjoner, den planlagte evalueringen (før en cellegiftbehandling, eller etter et kirurgisk inngrep for eksempel) og de ikke-planlagte situasjonene, hvor det er pasienten selv som kan utløse et evalueringsskjema.

Disse nye evalueringsmetodene gjør det også mulig å ta en livskvalitetstilnærming. Pasientrapporterte utfall (PROs) er nå en gyldig evidensbasert analyse for å oppdage pasientens symptomer og gir derfor nyttig klinisk informasjon til helsepersonell.

Målet med denne studien er å gå ett skritt lenger enn de tidligere PRO-studiene og evaluere evnen til å trene en maskinlæringsalgoritme for å oppdage risikosituasjoner og legge grunnlaget for en levedyktig løsning for fremtidige prospektive og randomiserte forsøk.