Använda undersökningar för att undersöka sambandet mellan exponering för ML förutsägelser om dödlighetsrisk med medicinska onkologers prognostiska noggrannhet och beslutsfattande

Nästan hälften av cancerpatienterna i USA kommer att få vård som inte överensstämmer med deras önskemål före döden. Tidig avancerad vårdplanering (ACP) och palliativ vård förbättrar målöverensstämmande vård och symtom och minskar onödigt utnyttjande. En lovande strategi för att öka ACP och palliativ vård är att identifiera patienter med risk för dödsfall tidigare i sjukdomsförloppet för att kunna rikta in sig på dessa tjänster. Algoritmer för maskininlärning (ML) har använts i olika branscher, inklusive medicin, för att exakt förutsäga risken för negativa resultat och styra tidigare resurser. "Människ-maskin-samarbeten" - system som utnyttjar både ML och mänsklig intuition - har visat sig förbättra förutsägelser och beslutsfattande i olika situationer, men det är inte känt om människa-maskin-samarbeten kan förbättra prognostisk noggrannhet och leda till större och tidigare AVS och palliativ vård. I denna studie kontaktade vi ett nationellt urval av medicinska onkologer och bjöd in dem att fylla i en vinjettbaserad undersökning. Vårt mål var att undersöka sambandet mellan exponering för ML-dödlighetsriskförutsägelser med klinikers prognostiska noggrannhet och beslutsfattande. Vi presenterade en serie av sex vinjetter som beskriver tre kliniska scenarier specifika för en patient med avancerad icke-småcellig lungcancer (aNSCLC) som skiljer sig åt efter ålder, kön, prestationsstatus, rökhistoria, sjukdomens omfattning, symtom och molekylär status. Vi kommer att använda dessa vinjettbaserade undersökningar för att undersöka sambandet mellan exponering för ML-dödlighetsriskförutsägelser med medicinska onkologers prognostiska noggrannhet och beslutsfattande.