Dyp læring for muskelskjelettkomplikasjoner ved brystkreft

Overlevelse etter brystkreft har økt på grunn av tidlig diagnostisering og fremskritt i behandlingsmetoder. Muskel- og skjelettproblemer relatert til kreft og dens behandling utgjør en betydelig del av den daglige praksisen til fysikere og rehabiliteringsspesialister som er involvert i onkologisk rehabilitering.

Lymfedem kan oppstå på ethvert stadium i en pasients liv etter brystkreft. Pasienter med brystkreft-relatert lymfedem krever livslang behandling, og etter hvert som lymfedem-stadiet utvikler seg, reduseres responsen på terapi. Avanserte stadier av lymfedem påvirker funksjonsstatus negativt, og pasienter opplever vansker med å utføre daglige livsoppgaver.

Axillært vevssyndrom (AWS) er karakterisert av en stram streng som strekker seg fra armhulen til håndflatens overflate, og oppstår vanligvis innen de første 8 ukene etter operasjon. AWS kan komplisere gjennomføringen av stråleterapi. Skulderdysfunksjon kan oppstå uavhengig eller i sammenheng med AWS. Spesielt kan skapulær dyskinesi som utvikler seg etter mastektomi føre til sekundære skulderlidelser som rotator cuff-syndrom eller adhesiv kapsulitt, som ofte observeres hos disse pasientene.

Perifer nevropati ses ofte hos pasienter som får kjemoterapi, no som negativt påvirker dagliglivet og noen ganger forhindrer videre behandling. Andre komplikasjoner relatert til kjemoterapi og stråleterapi inkluderer kardiotoksisitet, pulmonal toksisitet, tretthet, osteoporose og kognitiv svikt.

Det finnes også spesifikke smertefulle syndromer som kan oppstå etter brystkreft, inkludert post-mastektomi smerteyndrom, fantomsmerter i brystet og muskelskjelettsymptomer assosiert med aromatasehemmere. Alle disse tilstandene kan betydelig svekke daglig funksjon og til og med hindre videre kreftbehandling. Derfor er det avgjørende å forutsi disse komplikasjonene og implementere eller utvikle forebyggende tiltak.

Hvis det er mulig å forutsi tidlig utvikling av lymfedem, axillært vevssyndrom, perifer nevropati og smertefulle syndromer etter brystkreft, kan tidlig intervensjon muligens forhindre progresjon. Denne studien er designet for å utvikle og validere en prediktiv modell ved bruk av dyp læring for å bestemme risikoen for disse komplikasjonene hos pasienter som gjennomgår brystkreftkirurgi. Blant dyp læring-arkitekturer planlegges det å implementere ResNet50, AlexNet, GoogleNet og UNet, som har blitt mye brukt i nylige studier.

I tillegg, basert på resultatene fra denne studien, vil en risikoberegningsprogram utvikles, som lar klinikere legge inn basispasientdata og beregne den enkelte pasients risiko for hver komplikasjon før behandling. Ingen spesifikk risiko forventes i studien.