Artificiell intelligens för att söka efter abnormiteter hos ambulatoriska cancerpatienter (IASAAC)

Under behandlingen kan cancerpatienter uppleva biverkningar relaterade till sin sjukdom men också till de olika behandlingar de får.

För närvarande är negativa effekter och toxiciteter väl kodifierade inom onkologisamhället, särskilt via NCI CTCAE-kriterierna.

Till skillnad från objektiva data som ett blodprov eller en CTscan, är en stor fördom i patientbedömning den subjektiva bedömningen av läkaren eller dess team vid en given tidpunkt, vilket kanske inte återspeglar den övergripande situationen (på gott och ont). Flera studier hade redan belyst skillnaderna mellan insamling av medicinsk och patientdata.

Självbedömning av symtom är ett sätt att övervinna denna partiskhet. Dessutom finns det nu ett stort antal lösningar som gör det möjligt att utföra dessa självbedömningar hemma.

Tack vare dessa verktyg finns det nu två situationer, den schemalagda utvärderingen (före en kemoterapibehandling, eller efter ett kirurgiskt ingrepp till exempel) och de oplanerade situationerna, där det är patienten själv som kan utlösa ett utvärderingsformulär.

Dessa nya utvärderingsmetoder gör det också möjligt att ta en livskvalitetsstrategi. Patientrapporterade utfall (PRO) är nu en giltig evidensbaserad analys för att upptäcka patientens symtom och därför tillhandahålla användbar klinisk information till vårdgivare.

Målet med denna studie är att gå ett steg längre än de tidigare PRO-studierna och utvärdera förmågan att träna en maskininlärningsalgoritm för att upptäcka risksituationer och lägga grunden för en hållbar lösning för framtida prospektiva och randomiserade försök.