Kolorektalni karcinom odnosi se na svaki rak koji zahvaća debelo crijevo i rektum. Također poznat kao rak debelog crijeva i rektuma, treći je najčešći rak u svijetu, te čini otprilike 10 % svih slučajeva raka. Također je drugi vodeći uzrok smrti povezanih s rakom.
Faktori rizika za razvoj raka debelog crijeva mogu uključivati upalne bolesti crijeva (engl. Inflammatory Bowel Disease – IBD), poput ulceroznog kolitisa. Istraživanja sugeriraju da osobe s ulceroznim kolitisom imaju dva do tri puta veći rizik od razvoja raka debelog crijeva u odnosu na opću populaciju.
Osobe koje žive s IBD-om, posebno ako se ne liječe, mogu razviti displaziju. To se odnosi na stanice u sluznici debelog crijeva ili rektuma koje izgledaju abnormalno, ali nisu stanice raka. Međutim, s vremenom se mogu promijeniti u rak, stanje poznato kao displazija povezana s kolitisom (engl. colitis-associated dysplasia – CAD).
Iako displazija može biti rani znak upozorenja, prepoznavanje pacijenata koji će najvjerojatnije razviti rak i dalje predstavlja klinički izazov, što pacijente i kliničare može ostaviti nesigurnima oko toga kada povećati nadzor ili razmotriti preventivnu operaciju.
Sada, nova studija objavljena u časopisu Clinical Gastroenterology and Hepatology, sugerira da model umjetne inteligencije može točno predvidjeti koji će pacijenti najvjerojatnije razviti rak, potencijalno otvarajući put personaliziranijoj skrbi.
Kako funkcionira AI model
Istraživački tim, predvođen Sveučilištem Kalifornija u San Diegu, razvio je potpuno automatizirani AI sustav koji koristi velike jezične modele (engl. large language models – LLM) za izdvajanje relevantnih kliničkih informacija iz elektroničkih zdravstvenih zapisa, uključujući kolonoskopske i patološke izvještaje.
Ovi kartoni potječu od više od 55 000 pacijenata u zdravstvenom sustavu američkog Ministarstva za pitanja veterana (VA).
AI sustav identificirao je ključne prediktore progresije raka. To je uključivalo veličinu lezije, težinu upale i mogućnost potpunog uklanjanja lezije. Sustav je zatim integrirao te prediktore s tradicionalnim čimbenicima rizika u sveobuhvatni model rizika.
Model je uspješno kategorizirao pacijente u pet različitih rizičnih skupina koje su se usko podudarale s ishodima iz stvarnog svijeta tijekom više od desetljeća praćenja.
Važno je napomenuti da je alat ispravno utvrdio da gotovo 99% pacijenata u kategoriji najnižeg rizika neće razviti kolorektalni karcinom unutar 2 godine.
Kathleen Curtius, doktorica znanosti, docentica medicine na Odjelu za biomedicinsku informatiku na Medicinskom fakultetu UC San Diego i autorica studije, razgovarala je s MNT o tome kako bi ovaj alat mogao pomoći u smanjenju nepotrebnih postupaka nadzora za osobe s niskim rizikom: Trenutne smjernice sugeriraju da bi se pacijenti u ovoj skupini s niskim rizikom trebali vratiti na kontrolnu kolonoskopiju za 2 godine.
Međutim, podaci za ovu skupinu američkih veterana podudarali su se s predviđanjem našeg modela – ovi pacijenti imaju oko 1% rizika od visokostupanjske displazije ili raka za 2 godine, pa se dvogodišnji interval nadzora vjerojatno može sigurno produžiti u praksi. To bi uštedjelo troškove zdravstvene zaštite i smanjilo brigu za ove pacijente, rekla je Curtius.
Alat umjetne inteligencije može pomoći u odabiru pravog liječenja ili operacije
Kliničarima može biti teško procijeniti rizik od raka za osobu koja živi s displazijom niskog stupnja, što može rezultirati čestim kolonoskopijama.
Korištenjem ovog pristupa umjetne inteligencije, kliničari mogu učinkovitije personalizirati intervale probira, čime se intenzivni nadzor rezervira za one s najvećim predviđenim rizikom i minimiziraju intervencije za one s niskim rizikom.
Naša studija pokazuje da model predviđanja rizika od raka koji smo razvili i testirali kod pacijenata s ulceroznim kolitisom i displazijom niskog stupnja u Ujedinjenom Kraljevstvu također dobro funkcionira u populacijama SAD-a, izjavila je Curtius za MNT.
Ovo je veliki korak prema široj kliničkoj upotrebi. Statistički model koristi utvrđene kliničke čimbenike rizika, koji se mogu izravno izvući iz liječničkih bilješki pomoću velikih jezičnih modela, ističući koliko se lako može uklopiti u stvarne kliničke radne procese.
— Kathleen Curtius
Zanimljivo je da je model također identificirao pacijente s neoperabilnim vidljivim lezijama. To opisuje lezije koje se ne mogu sigurno ukloniti zbog veličine ili lokacije. Sustav umjetne inteligencije istaknuo je da su osobe s ovim lezijama izložene znatno većem riziku nego što mnogi kliničari obično procjenjuju u rutinskoj kliničkoj praksi.
Liječnici često podcjenjuju neposredni rizik od razvoja displazije visokog stupnja i/ili kolorektalnog karcinoma nakon što se vidljiva lezija displazije niskog stupnja ne može potpuno resecirati, primijetila je Curtius.
Važno je točno procijeniti taj rizik jer se pacijenti odlučuju na veliku [preventivnu] operaciju dijelom na temelju rizika od raka koji im kaže liječnik. Korištenje našeg alata pomoći će liječnicima i pacijentima da procijene točne procjene rizika prilikom odlučivanja o mogućnostima liječenja, uključujući djelomično ili potpuno uklanjanje debelog crijeva kako bi se spriječili vjerojatni karcinomi, rekla je.
Tehnologija bi također mogla pomoći u identificiranju osoba koje se trebaju vratiti na kontrolu, potencijalno sprječavajući kašnjenja u kontrolnim kolonoskopijama.
Alat koji nadopunjuje kliničare
Važno je da istraživački tim napominje da je alat umjetne inteligencije osmišljen kako bi nadopunio procjenu kliničara. Predviđanja mogu ponuditi dodatne dokaze koji podržavaju zajedničko donošenje odluka između pacijenata i njihovih zdravstvenih timova.
Curtius je govorila o tome kako bi se ovaj alat mogao integrirati u stvarne kliničke tijekove rada. Ovaj alat je već dostupan kao web alat koji liječnici mogu koristiti sa svojim pacijentima, ali se zatim može lako integrirati izravno u sustav elektroničkih zdravstvenih kartona.
AI alat i klinička procjena liječnika
Podaci o faktorima rizika već se rutinski prikupljaju od strane liječnika, a zatim bi nadzorna ploča elektroničkih zdravstvenih kartona pacijenta mogla izračunati i prikazati budući rizik od raka tijekom kliničkog donošenja odluka.
— Kathleen Curtius
Sljedeći koraci i buduća istraživanja
Iako su rezultati obećavajući, autori naglašavaju potrebu za validacijom modela u različitim populacijama pacijenata izvan zdravstvenog sustava VA.
Curtius napominje da ovaj model može pomoći u podršci u zajedničkom donošenju odluka: Ovaj pristup mogao bi pomoći u smanjenju nepotrebnih nadzornih kolonoskopija i operacija dajući liječnicima i pacijentima povjerenje kada je nečiji rizik od raka vrlo nizak.
Istovremeno, davanje liječnicima i pacijentima jasnih brojki i vizualnog alata za prepoznavanje kada je rizik od raka vrlo visok može olakšati zajedničko donošenje odluka i pomoći ljudima da bolje razumiju rizike pristupa “promatraj i čekaj”, rekla je.
Istraživački tim također planira istražiti integriranje novih genetskih čimbenika rizika u algoritam kako bi dodatno poboljšao njegovu prediktivnu točnost.
