Për ta verifikuar këtë, studiuesit zhvilluan rreth 500 modele të të nxënit makinerik, të projektuara për të vlerësuar rrezikun e 20 llojeve të kancerit. Baza kryesore e të dhënave të përdorura ishte jashtëzakonisht e madhe: Ata analizuan informacionet e 463.620 pjesëmarrësve në UK Biobank, një nga bazat më të mëdha të të dhënave biomjekësore në botë, të cilët u ndoqën për rreth 18 vjet. Gjatë kësaj periudhe, 57.055 prej tyre zhvilluan kancer. Algoritmet mundën të kërkonin modele të përsëritura në të dhënat e shumta të mbledhura më parë dhe të përcaktonin se cilat prej tyre lidheshin me shfaqjen e mëvonshme të sëmundjes.
Modelet analizuan informacione me nivele të ndryshme kompleksiteti: Nga historiku mjekësor, zakonet e jetesës dhe rezultatet e analizave të gjakut, deri te të dhënat gjenetike dhe metabolomike. Një nga rezultatet më interesante ishte pikërisht fakti se informacionet më të sofistikuara nuk ishin domosdoshmërisht ato që jepnin kontributin më të madh. Një pjesë e konsiderueshme e aftësisë parashikuese vinte nga analizat rutinë të gjakut dhe historiku klinik, ndërsa shtimi i të dhënave gjenetike dhe metabolomike sillte përmirësime relativisht të vogla. Ky është një konstatim i rëndësishëm, sepse, nëse këto modele do të dëshmonin përfundimisht dobinë e tyre klinike, ato mund të shfrytëzonin informacione që sistemet shëndetësore i mbledhin tashmë në mënyrë të zakonshme.
Rezultatet sugjerojnë gjithashtu se disa prej këtyre sinjaleve shfaqen shumë kohë përpara diagnostikimit. Parametrat e analizave të gjakut vazhdonin të ofronin informacione për rrezikun edhe në rastet e kancerit të diagnostikuar më shumë se pesë vjet më vonë. Kjo nuk do të thotë se tumori ishte i pranishëm pesë vjet më parë, as se inteligjenca artificiale mund të parashikojë me siguri që një person i caktuar do të sëmuret nga kanceri. Algoritmet identifikojnë lidhje statistikore dhe modele të përsëritura që mundësojnë klasifikimin e disa personave si më të rrezikuar se të tjerët. Në fakt, për të zvogëluar mundësinë që modelet thjesht të zbulonin kancere ende të padiagnostikuara, studiuesit përjashtuan nga disa analiza tumoret e shfaqura gjatë vitit të parë të ndjekjes.
Rezultate premtuese
Saktësia e modeleve ndryshonte ndjeshëm në varësi të llojit të tumorit. Rezultatet ishin veçanërisht premtuese për kancerin e mushkërive, të ezofagut dhe të mëlçisë, ndërsa performanca ishte më e ulët për kancerin e gjirit, të vezoreve dhe të qafës së mitrës. Duke marrë në konsideratë së bashku llojet e kancerit, rreziku i të cilave mund të vlerësohej nëpërmjet informacioneve klinike rutinë, modeli arriti një vlerë AUROC prej 0,83 për një periudhë 15-vjeçare. Ky tregues mat aftësinë e një modeli për të dalluar personat që do të zhvillojnë një sëmundje nga ata që nuk do ta zhvillojnë: Vlera 0,5 do të ishte afërsisht e barabartë me një parashikim të rastësishëm, ndërsa vlera 1 do të përfaqësonte një aftësi të përsosur dalluese. Një vlerë e lartë AUROC është premtuese, por nuk dëshmon, në vetvete, se një mjet i tillë është i përshtatshëm për t’u përdorur në programet e depistimit të popullatës së shëndetshme.
Ekziston edhe një e dhënë tjetër që kërkon interpretim të kujdesshëm të rezultateve. Në sëmundje si leuçemia mieloide akute dhe mieloma multiple, aftësia parashikuese zvogëlohej sa më e largët të ishte periudha kohore për të cilën bëhej parashikimi. Një shpjegim i mundshëm, i paraqitur nga studiuesit, është se parashikimet afatshkurtra mund të identifikojnë ndryshime të shkaktuara nga një kancer që tashmë ka filluar të zhvillohet, ndonëse ende nuk është diagnostikuar. Ky është një dallim thelbësor: Zbulimi i shenjave të një sëmundjeje në fazat e saj fillestare nuk është i njëjtë me parashikimin, shumë vite përpara, se kush do të zhvillojë një tumor.
Megjithatë, kjo qasje mund të ketë një zbatim shumë konkret në shëndetësi: Përdorimin e inteligjencës artificiale si një lloj filtri fillestar ose mekanizmi paraprak depistimi. Paul-Henry Koop, studiues në Qendrën Else Kröner Fresenius për Shëndetin Digjital pranë Universitetit Teknik të Dresdenit dhe autori kryesor i studimit të paraqitur në ESMO, vlerëson se, për disa lloje tumoresh, këto modele mund të shndërrohen në mjete me kosto të ulët, të bazuara në informacione që janë tashmë të disponueshme në praktikën klinike. Në vend që e gjithë popullata t’u nënshtrohet ekzaminimeve komplekse, një algoritëm mund të ndihmojë në identifikimin e personave me rrezik më të lartë dhe, mbi këtë bazë, të vlerësohet nevoja për ekzaminime specifike. I njëjti grup studiuesish ka publikuar tashmë në revistën shkencore Cancer Discovery një model të të nxënit makinerik për klasifikimin e rrezikut të karcinomës hepatocelulare, duke përdorur të dhëna klinike rutinë, model i cili është testuar në grupe të mëdha popullatash.
(20 Minutos)
