Maskininlärning för att förutsäga akut vård under cancerterapi (Chemo-SHIELD)

En tidigare beskriven maskininlärning (ML)-baserad modell förutspådde noggrant ED-besök eller sjukhusvistelser för cancerpatienter som genomgick strålbehandling eller kemoradiation. En IRB-godkänd prospektiv randomiserad studie, SHIELD-RT (NCT04277650) fann att förebyggande intervention för patienter som genomgår strålning och kemoradiation baserad på ML-modellens riskstratifiering minskade den relativa risken för akuta vårdbesök med 50 %, vilket visar att ML-vägledd upptrappning av vården förbättrad personlig stödjande vård och behandlingsefterlevnad samtidigt som sjukvårdskostnaderna minskar.

Syftet med denna studie är att tillämpa denna validerade ML-baserade modell på en kohort av patienter som genomgår systemisk terapi som poliklinisk cancerbehandling för att generera ett automatiskt system för förutsägelse av oplanerade sjukhusinläggningsfrekvenser och akutmottagningar. När den har validerats kommer denna studie att läggas till den tidigare publicerade mängden bevis som stöder en randomiserad studie som utvärderar ML-algoritmens förmåga att tilldela interventioner för patienter som får systemisk terapi med högsta risk för akuta vårdmöten.