Bruk av undersøkelser for å undersøke sammenhengen mellom eksponering for ML dødelighetsrisikoprediksjoner med medisinske onkologers prognosenøyaktighet og beslutningstaking

Nesten halvparten av kreftpasienter i USA vil motta omsorg som ikke er i samsvar med deres ønsker før døden. Tidlig avansert omsorgsplanlegging (ACP) og palliativ behandling forbedrer målsamsvarende omsorg og symptomer og reduserer unødvendig utnyttelse. En lovende strategi for å øke ACP og palliativ behandling er å identifisere pasienter med risiko for dødelighet tidligere i sykdomsforløpet for å målrette disse tjenestene. Maskinlæringsalgoritmer (ML) har blitt brukt i ulike bransjer, inkludert medisin, for nøyaktig å forutsi risikoen for uønskede utfall og styre tidligere ressurser. "Menneske-maskin-samarbeid" - systemer som utnytter både ML og menneskelig intuisjon - har vist seg å forbedre spådommer og beslutningstaking i ulike situasjoner, men det er ikke kjent om menneske-maskin-samarbeid kan forbedre prognostisk nøyaktighet og føre til større og tidligere AVS og palliativ omsorg. I denne studien kontaktet vi et nasjonalt utvalg av medisinske onkologer og inviterte dem til å fullføre en vignettbasert undersøkelse. Målet vårt var å undersøke sammenhengen mellom eksponering for ML-dødelighetsrisikoprediksjoner med klinikeres prognostiske nøyaktighet og beslutningstaking. Vi presenterte en serie på seks vignetter som beskrev tre kliniske scenarier som er spesifikke for en pasient med avansert ikke-småcellet lungekreft (anNSCLC) som varierer etter alder, kjønn, prestasjonsstatus, røykehistorie, sykdomsomfang, symptomer og molekylær status. Vi vil bruke disse vignettbaserte undersøkelsene til å undersøke sammenhengen mellom eksponering for ML-dødelighetsrisikoprediksjoner med medisinske onkologers prognosenøyaktighet og beslutningstaking.