Смисъл на броя: Накъде с (изкуствен) интелект в онкологията?

Брой № 5 (73) / декември 2023, Онкология от следващо поколение

Използвани съкращения:

 

БК – белодробен карцином

ИИ - изкуствен интелект

КТ - компютърна томография

МРТ - магнитно резонансна томография

НДБК - недребноклетъчен белодробен карцином

ПЕТ КТ - Позитронно емисионна томография

MО - машинно обучение

QoL - качеството на живот

 

 

В световен мащаб се запазват тенденциите за нарастване на заболеваемостта и смъртността от онкологични болести, сред които най-смъртоносен остава белодробният карцином (БК). Новодиагностицирани са приблизително 19,3 милиона нови случая за 2020 г., а очакванията са тази цифра да се увеличи през следващите няколко десетилетия. Стряскащи са прогнозите, че се очакват нови 30,2 милиона случая да бъдат диагностицирани през 2040 г.1 Въпреки значителните подобрения в диагностиката и терапевтичното поведение, които увеличиха преживяемостта през последните две десетилетия, през 2020 г. са настъпили зашеметяващите 10 милиона смъртни случая, асоциирани с онкологична болест.1,2 Тази черна статистика прави наложително насърчаването на иновациите в здравеопазването и особено в лечението на рака. Ранната диагностика на онкологичните болести, от една страна, остава глобално предизвикателство, а скринингът е животоспасяващата необходима стъпка към справянето с това предизвикателство. За съжаление, не навсякъде ефективните инициативи за скрининг са достъпни, нерядко са ограничени от публично участие на национално ниво извън локални кампании за прегледи, от финансова подкрепа и т.н. И най-важното – не обхващат всички рискови групи. Разширяването на инициативите за скрининг без индикация, основана на доказателства, може да доведе до значително финансово бреме и загуба на ценни ресурси, особено в здравни системи с ограничени ресурси3.

 

Въпреки че възможностите за лечение на онкологичните болести се разшириха през последните десетилетия, само привилегировани пациенти се възползват от новите иновативни молекули и съотношението цена – полза на настоящите лечения е крайно неоптимално3. Все по-често, на фона на черната статистика за заболеваемостта и смъртността от рак, се говори и за нов вид токсичност на противотуморното лечение, а именно финансовата токсичност, която засяга глобално здравните системи по-цял свят и прави правото на борба за живот в неравната битка с рака все по-скъпо и трудно постижимо. Ето защо има спешна необходимост лечението на рака да стане по-достъпно и персонализирано.

 

Разработването на нови противотуморни лечения е процес, изискващ време и ресурси. Дори след като дадено лекарство премине предклинични тестове и бъде включено в клинични проучвания, процентът на успешно завършените е нисък и достъпът на пациентите става предизвикателство. Въпреки това, 64 нововъведения, фокусирани върху диагностиката или лечението на рака, са били одобрени или техните показания са разширени само от Федералната агенция за лекарствата на САЩ през 2020 г. Бързо развиващата се среда на научни изследвания в областта на онкологията води до излишък от медицински данни, което често се оказва „препъни камък“ за лекарите, които се опитват да прилагат най-новите ежедневно надграждащи се препоръки в своята практика.

 

Отдавна разбирането за лечението на пациентите с онкологични болести се промени, логично наложи се нов подход в диагностиката и терапевтичното поведение и при БК. Прецизната медицина намери и своето място в онкологията. От постулата „Едно лекарство за всички или терапевтичен подход въз основа на туморната хистология“ днес се придържаме към „Персонализирано лечение, основано на изчерпателните познания за рака на пациента“.4,5

 

Нашето разбиране за геномния пейзаж  на БК се развива и разкрива присъщата му сложност. През последното десетилетие значително се увеличава броят на идентифицираните драйвър алтерации при БК със съотвестващи таргетни терапии (фиг.1), а редица фаза 3 клинични изпитвания доказаха подобрен отговор към таргетна терапия в сравнение със стандартната химиотерапия. И логично таргетните терапии, избрани с помощта на биомаркери, водят до подобрени клинични резултати.

 

 

Фиг. 1. Молекулярни драйвър алтерации при НДБК според последните препоръки (адаптирано по Tsao AS etal. J ThoracOncol 2016;11:613-38, и NSCLC NCCN GuidelinesVersion 6. 2021)

 

 

Със стартирането на проекта за раковия геном започна подем в изследванията и търсенето на потенциални нови таргети за още по-успешно лечение на онкологичните заболявания. Логично по целия свят ежедневно се натрупваха и продължават да се натрупват изключително голям обем данни от проведените проучвания. А данните, събрани от учени и изследователи, от доставчиците на онкологични услуги и здравните системи, са сложни и разнообразни. Напечатани или продиктувани бележки от лекари, лабораторни находки, хистопатологични и образни данни и генерирани от пациента здравни данни са примери за непредсказуемостта на циркулиращата информация. Грубите медицински данни често са с ограничено значение, поради което получаването на значими клинични прозрения и анализи разчита на адекватно извличане, обработка, анализ, интерпретация и интегриране на данни.

 

 

Изкуствен интелект в онкологията

 

Имайки предвид, че капацитетът на човешкия мозък за обработка на информация е ограничен, съществува спешна необходимост от внедряване на алтернативни стратегии за обработка на съвременните огромни обеми от данни, които биват както структурирани, така и неструктурирани и които заливат здравеопазването на ежедневен принцип. В допълнение към увеличената наличност на данни, увеличаването на възможностите за  съхранение и изчислителната мощност даде тласък на развитието на техники за обработка на данни, като машинно обучение (МО) и изкуствен интелект (ИИ), които стават все по-важни инструменти за справяне със сложни проблеми в грижите за онкологично болните. Все повече проучвания именуват ИИ като нововъзникващ необходим инструмент за помощ в медицината. Практически това е повратната точка, в която технологията в най-голяма степен среща медицината с идеята повече възможности и живот за болните в свят на много информация и малко реални решения.

 

С напредването на технологиите медицинските устройства все по-често разчитат на софтуер, включващ ИИ. По-конкретно, МО генерира доказателства от реалния свят от предоставянето на здравни грижи, които от своя страна се интегрират в нововъведените медицински устройства. Въпреки това е необходимо регулаторно одобрение и надзор на тези устройства. Агенцията по храните и лекарствата на САЩ например издава регулаторно одобрение за редица медицински устройства с възможност за машинно обучение и ги публикува в публично достъпен списък6.

 

За успешното интегриране на ИИ в клиничния онкологичен работен процес е от решаващо значение да се разработи и валидира платформа, която може да помогне на лекарите във взимането на бързи, базирани на доказателства, решения, като предлага леснодостъпни прогнозни модели, но и да предложи на пациентите сходни  персонализирани платформи за съвместно вземане на решения и едновременно с това да осигури стабилен достъп до генерираните данни за по-нататъшни изследователски цели чрез използване на непрекъснат процес на обучение. Пример за такъв проект е наскоро подкрепеният от Европейския съюз (Horizon Europe) проект I3LUNG: Интегративна наука с интелигентна платформа от данни за индивидуализирана грижа за пациенти с БК, лекувани с имунотерапия.7 I3LUNG има за цел да индивидуализира лечението при пациенти с напреднал недребноклетъчен БК (NSCLC), лекуван с имунотерапия (I3LUNG Project: Integrative science, Intelligent dataplatformfor Individualized LUNG can cercare with Immunotherapy). Проучването е международно и многоцентрово и съчетава ретроспективно, обсервационно и проспективно валидиране. Основната цел на това проучване е да се изследва полезността на хетерогенни източници на данни и ефективността на големи данни за индивидуализирано прогнозиране за пациенти с НДБК, лекувани с имунотерапия. Проучването използва базирани на изкуствен интелект инструменти за подобряване на преживяемостта и качеството на живот, минимизиране или предотвратяване на неоправданата токсичност и насърчаване на ефективното разпределение на ресурсите чрез изследване на различни, включително и генетични, маркери за персонализиране на диагностиката. Крайният продукт на проекта има за цел да създаде ново, интегрирано, подпомогнато от ИИ съхранение на данни и платформа за клинични решения за имунотерапия при НДБК, осигурявайки лесен достъп и рентабилно използване от доставчици на здравни услуги и от пациентите.

 

Пълното интегриране на ИИ инструменти в реалната клинична онкологична практика изисква ангажирането на силно мултидисциплинарен екип, който включва лекари, технологични експерти, биоинженери, експерти по етични изследвания, поведенчески специалисти и експерти по ангажиране на потребителите, психолози, правни експерти, мениджъри на данни, дизайнери и здравни икономисти, специалисти по реимбурсиране и дори самите пациенти. Не на последно място ключово остава и базирането на мултидисциплинарните медицински екипи по локализации, в случая всички медицински специалисти, ангажирани с диагностиката и лечението на белодробния карцином. Това е от решаващо значение, за да се гарантира, че многото потребители на такива платформи8, които могат да обхващат от клиницисти и пациенти до болногледачи, са адекватно ангажирани по време на процесите на разработване и внедряване. Инициативи като I3LUNG, работата на Института за цифрова медицина (WisDM) и други международни заинтересовани страни отразяват значението на дълбокото сътрудничество, необходимо за легитимиране на проучвания, които имат потенциала да променят и да надградят клиничната практика.

 

Успоредно с това разработването на ефективни модели за прогнозиране на ИИ в клиничните онкологични изследвания е силно зависимо от наличието на големи бази от данни. Следователно многоцентровите проучвания и данни са от решаващо значение за генериране на необходимите големи данни за обучение и валидиране на ИИ базирани модели. Въпреки че ИИ може да анализира вече наличните ретроспективни данни от кръвни изследвания, КT, ПЕТ КТ и MРТ сканиране, както и хистологични срези, наред с други, получаването на проспективни данни също ще бъде от решаващо значение за по-нататъшното развитие и валидиране на ИИ. Например персонализираните данни за раковия геном могат потенциално да подобрят начина, по който се „проектират“, разработват или дозират различните терапии9.

 

Като пример, I3LUNG ще използва ретроспективни клинични данни от КT и ПЕТ КТ, дигитална хистологична диагноза и оцветени за PD-L1 изследване слайдове при диагностициране от 2000 пациенти с НДБК, за да разработи ретроспективно (R-модел) прогнозни модели. Впоследствие платформата ще включи две кохорти. В първата кохорта влизат проспективно 2000 пациенти с НДБК, лекувани с имунотерапия в първа линия, събиране на данни от реалния свят, дигитални слайдове (както хистология при диагностициране, така и слайдове, оцветени за PD-L1) и КT и ПET КТ сканирания за валидиране R-модела. От друга страна, втората кохорта е от 200 пациенти с НДБК с достатъчен период на проследяване.

 

Събраните данни ще бъдат подобни на предишните кохорти и също така ще включват персонализирани генетични анализи (напр. геномика, транскриптомика, циркулиращи туморни клетки, анализ на единични клетки, микробиома). Проспективното събиране на тези данни за различните omics ще валидира предварително разработени прогнозни модели, съчетани с проспективно валидиране на изпитания и допълнително ще установи важността на тези набори от данни за усъвършенстване на модела. След това тези модели ще бъдат интегрирани в крайната платформа I3LUNG за НДБК с цел насочване за разработка и подаване на разрешение за медицински устройства и лекарства надолу по веригата.

 

Разбира се, остават и редица предизвикателства, пред които е изправена базираната на ИИ терапия на рак. Едно от тях е концепцията, че само откриването на лекарства, управлявано от ИИ, ще оптимизира лечението на пациентите. Ясно е, че технологията ускорява идентифицирането и новия дизайн на лекарства и съответно пренасочването им. Например ИИ доведе до разрешение за спешна употреба на преназначено лекарство по време на пандемията от COVID-19 в рамките на приблизително 8 месеца от първоначалната му идентификация10. Въпреки това, извън създадените от ИИ съединения, прилагането на цялостен работен процес, който гарантира, че тези съединения са правилно управлявани по време на последващия процес на разработка, ще бъде важно за ИИ да реализира пълния си потенциал към промяна на практиката в лечението на рак. ИИ практически преосмисля как могат да бъдат проектирани лекарствени комбинации, откривайки непредвидени лекарствени взаимодействия, които имат повишена терапевтична ефикасност в сравнение с традиционния комбиниран дизайн, базиран на механизма на действие. По отношение на разработването на биомаркери и предсказуемото/персонализирано съпоставяне на пациентите с терапиите, клиничното съответствие на получените от ИИ прогнози за съвпадение на молекулярни промени с избора на лекарства все още се нуждае от допълнително валидиране.

 

Освен редицата предизвикателства пред влизането на ИИ в ежедневната онкологична практика, остават значителни възможности за ИИ да повлияе положително на предоставянето на онкологични грижи, базирани на доказателства. В основата на интерфейса на онкологичната общност на ИИ е потенциалът за клиничната общност за достъпно подобряване на резултатите за пациентите. След ранното и продължаващо обещание за разработване на изображения и биомаркери с помощта на изкуствен интелект за потенциално подобряване на прогностичните възможности, обещанието за подобрен избор на лечение спрямо стандартните грижи за повече пациенти може значително да подобри клиничната практика и да спаси животи. Изборът на лекарствени режими, ръководен от ИИ, и динамичната модулация на дозата разкриват потенциала за подобряване на практиката на взимане на клинични решения и оптимизиране на терапевтичното поведение, наред с други резултати. За да се оформят тези възможности в мащаб и да се промени практиката на клиничната онкология, остава още работа в широк спектър от дисциплини, непосредствено свързани с онкологията.

 

Използването на ИИ в клинични изследвания повдига редица етични и правни въпроси, които трябва да бъдат разгледани. Едно от основните опасения е защитата на поверителността на пациентите, тъй като могат да бъдат събрани огромни количества потенциално чувствителни данни за пациенти. Друго съображение е уязвимостта на данните към кибератаки. Следователно строгите политики за поверителност и мерките срещу кражба на данни са от съществено значение. Допълнителни съображения, вариращи от собственост върху данните до достъп на пациентите до техните собствени данни, ще изискват допълнително разглеждане и дебат.11

 

Устойчивото внедряване на клиничен ИИ ще изисква, разбира се, съществени инфраструктурни съображения за справяне с гореспоменатите изисквания за съхранение, споделяне и безопасност. Обучението на ИИ може да изисква нови процедури във видовете тестове и данни, които изискваме от всеки пациент. Внедряването на ИИ за взимане на клинични решения може също да промени начина на избор на лекарството за пациента, дозирането му и много други фактори. Следователно отбелязаната по-рано иновация в дизайна на клиничните изпитвания също ще трябва да се обмисли допълнително, а именно дали здравните и икономическите ползи от използването на тези инструменти надвишават допълнителните разходи за внедряване. Следователно ще трябва да се разгледа как ИИ ще повлияе на качеството на живот (QoL) и други резултати за пациентите, а защо не и на финансовата токсичност, която иновативните терапии неминуемо водят със себе си.12

 

 

Послания за клиничната практика

 

Може да се твърди, че използването на ИИ в онкологията се измести от перспектива към реалност през последните години. Повечето от изкуствения интелект, който се използва в момента, е в областта на диагностиката на рака. Моделите за машинно обучение и задълбочено обучение се използват за подобряване на точността и ефективността на диагностицирането на онкологичните заболявания.

 

Множество ИИ базирани технологии вече имат одобрение в САЩ за използване в онкологията, най-вече в образната диагностика. Свързаните с изкуствен интелект устройства, одобрени за използване в онкологичната практика, са най-често прилагани в образната диагностика (54,9%) и патологията (19,7%), а устройствата са използвани най-често при злокачествени заболявания на гърдата (31,0%) по-често от останалите тумори13-15.

 

Макар ИИ базираните технологии да обещават бляскаво бъдеще на иновативните, базирани на огромни потоци от данни подходи, неминуемо остава въпросът дали все пак в борбата с болест стара, колкото и света, водещ не трябва да бъде не изкуствения интелект, а интелектът на лекаря, на човека, който добавя една фина неуловима за технологиите щриха в лечението на човешката болест.

 

 

Литература:

 

  1. Sung H, Ferlay J, Siegel RL, et al.GlobalCancerStatistics 2020: GLOBOCAN EstimatesofIncidenceandMortality Worldwide for 36 Cancersin 185 Countries. CA Cancer J Clin. 2021 May;71(3):209 – 249. doi: 10.3322/caac. 21660. Epub 2021 Feb 4. PMID: 33538338.
  2. Emens LA, Ascierto PA, Darcy PK,etal. ScienceDirectCancerimmunotherapy: opportunitiesandchallengesintherapidlyevolvingclinicallandscape. Eur. J. Cancer 81, 116 – 129 (2017).
  3. Verma V, Sprave T, Haque W,etal. A systematicreviewofthecostandcost-effectivenessstudiesofimmunecheckpointinhibitors 11 Medicaland Health Sciences 1112 Oncology and Carcinogenesis. J. Immunother. Cancer 6(1), 1 – 15 (2018).
  4. Agyeman, A.A. and Ofori-Asenso, R. J Pharm BioalliedSci, 2015; 7(3):239–244;
  5. Schwaederle, M. and Kurzrock, R. Oncoscience, 2015 ; 2(10):779 – 80.
  6. Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices. US Food and Drug Administration. Availableat: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices.
  7. Prelaj A, Ganzinelli M, Roisman LC, etal.The EU-funded I3LUNG project: Integratives cience, intelligent dataplatform for individualized LUNG cancercare with immunotherapy. ClinLungCancer 10.1016/j.cllc.2023.02.005
  8. Hieromnimon HM, Pearson AT.Ovariancancerthrough a multi-modallens. NatCancer 3:662 – 664, 2022
  9. Walsh S, deJong EEC, vanTimmeren JE, etal.Decisionsupportsystemsinoncology. JCO ClinCancerInform 3:1 – 9, 2019
  10. StebbingJ, Krishnan V, deBono S, etal.Mechanismofbaricitinibsupportsartificialintelligence-predictedtestingin COVID-19 patients. EMBO MolMed 12:e12697, 2020
  11. Ballantyne A: How should weth in kabout clinical dataownership? J MedEthics 46:289 –294, 2020
  12. Nagy M, Radakovich N, Nazha A.Machine learning in oncology.What should clinicians know? JCO ClinCancerInform 4:799 – 810, 2020
  13. Shreve JT, Khanani SA, Haddad TC. Artificial intelligence in oncology: Current capabilities, future opportunities, and ethical considerations. Am SocClinOncolEduc Book. 2022;42:842 – 851. doi:10.1200/EDBK_350652
  14. Artificial intelligence and machine learning (AI/ML)-enabled medical devices. US Food and Drug Administration. Published October 5, 2022. Accessed September 24, 2023.
  15. Luchini, C., Pea, A. &Scarpa, A. Artificial intelligence in oncology: Current applications and future perspectives. Br J Cancer. 2022;126:4 – 9. doi:10.1038/s41416-021-01633-1

 

Вашият коментар