Dansk AI-model kan prædiktere alvorlige infektioner blandt patienter med lymfom

Danske forskere har udviklet et risikostratificeringsværktøj baseret på maskinlæring (AI), som kan prædiktere risiko for alvorlige infektioner hos patienter med lymfom. Det nye værktøj kan potentielt forbedre outcomes blandt patienterne, lyder vurderingen fra forskerne.

Infektioner er én af de primære årsager til, at patienter med lymfomsygdomme bliver indlagt på hospitalet i forbindelse med et behandlingsforløb. I værste kan infektionerne være livstruende. De danske forskeres nye risikostratificeringsværktøj kan prædiktere, hvorvidt hospitalskrævende infektioner (IRH) er alvorlige (S-IRH) eller ikke-alvorlige (NS-IRH)   

”I dag beror metoder til risikostratificering på subjektive vurderinger, og det begrænser reproducerbarheden. Vores maskinlærings-approach bruger objektive kliniske data til at identificere patienter, der uden problemer kan behandles ambulant, hvilket potentielt kan forbedre livskvaliteten og samtidig nedbringe omkostninger til sundhed. Dette arbejde repræsenterer et vigtigt fremskridt inden for brugen af AI til at understøtte de kliniske beslutninger inden for kræftbehandling,” skriver Deniz Kenan Kilic, softwareudvikler og medforfatter til studiet, i et opslag på LinkedIn.

Han fortsætter:

”Studiet har stor relevans, da det gør brug af real world-data fra 727 patienter at forbedre stratificeringen og behandlingen, hvilket potentielt kan forbedre outcomes i behandlingen af lymfom.” 

Kan støtte beslutninger

I studiet blev S-IRH definereret som dødsfald, positiv blodkultur, blodbanetilstand (BSI) og sepsis under en indlæggelse. Forskerne anvendte kliniske data fra danske sundhedsregistre og patientjournaler til at opbygge funktionsmatricen for den avancerede maskinlæringsalgoritme (XGBoost-modellen). Data blev indhentet fra 727 voksne patienter diagnosticeret med lymfom fra 2013 til 2023. Patienterne havde fået behandling i første linje med enten CHOP eller et CHOP-lignende regime, ABVD, BEACOPP, CVP plus bendamustin.

I studieperioden registreredes i alt 591 IRH, heraf blev 119 kategoriseret som S-IRH. AI-modellen opnåede en ROC-AUC (en måling, der bruges til at vurdere ydeevnen af en klassifikationsmodel) på 71,0 procent i forhold til prædiktere S-IRH. Ved en præditionstærskel på 0,3 var den gennemsnitlige sensitivitet 63,0 procent, og specificiteten var også 63,0 procent. De negative og positive prædiktive værdier var henholdsvis 87,5 procent og 30,0 procent.

I abstractet konkluderes det, at AI-modellen har en acceptabel evne til at prædiktere S-IRH, men den var ikke tilstrækkelig til, at den kunne fungere som et selvstændigt beslutningsværktøj i behandlingsøjemed. Den bør i stedet betragtes som et beslutningsstøtteværktøj for klinikere, lyder det.