NLP om overleving kankerpatiënten te voorspellen

De overleving van kankerpatiënten kan voorspeld worden met op basis van hun eerste oncologie consultatiedocument met behulp van Natural Language Processing (NLP).  NLP combineert computationele linguïstiek - op regels gebaseerde modellering van menselijke taal - met statistische, machine learning en deep learning modellen.

In een prognostische studie van onderzoekers van de University of British Columbia bij 47.625 patiënten met kanker werden 6, 36 en 60 maanden overleving voorspeld met behulp van zowel traditionele als neurale taalmodellen. De resultaten waren vergelijkbaar of beter dan die gevonden in eerdere studies.

“Deze bevindingen suggereren dat het haalbaar is om de overleving van patiënten met kanker te voorspellen met behulp van een gemeenschappelijk kankerdocument zonder aanvullende gegevens en zonder aparte modellen te trainen voor specifieke soorten kanker”, aldus de onderzoekers van de University of British Columbia in de JAMA.

Voorspellende modellen op basis van machine learning kunnen meer gepersonaliseerde voorspellingen mogelijk maken door gebruik te maken van vele kenmerken van de ziekte van een patiënt, en het is aangetoond dat ze beter presteren dan de voorspellingen van behandelende oncologen. Sommige modellen die tot nu toe zijn ontwikkeld, maken gebruik van gestructureerde gegevens, zoals de aanwezigheid van genetische markers, demografische gegevens of specifieke aspecten van de medische voorgeschiedenis. Dit kan het wijdverbreide gebruik van dergelijke modellen beperken, aangezien de beschikbaarheid van gegevens per kankerbehandelingscentrum en per patiënt verschilt. Het beperkt ook welke gegevens voor een model kunnen worden gebruikt, aangezien niet alle klinische gegevens gemakkelijk kunnen worden gecodeerd of gecategoriseerd voor extractie en analyse. Het gebruik van ongestructureerde gegevens, zoals tekst in medische documenten, kan deze nadelen verhelpen. Bijna alle patiënten die voor kanker worden behandeld, hebben een eerste consultatiedocument van hun oncoloog. Dergelijke documenten bevatten doorgaans veel details die relevant zijn voor overleving, bijvoorbeeld rookgedrag of burgerlijke staat, ook al worden dergelijke gegevens niet routinematig opgeslagen in gestructureerde datasets.

Kleinere documenten
Het gebruik van machine learning met documenten (NLP) wordt steeds vaker toegepast in de geneeskunde. Veel van de toepassingen, zowel in de geneeskunde in het algemeen als bij kanker in het bijzonder, hebben gebruik gemaakt van kleinere, specifieke documenten zoals radiologie- of pathologierapporten. 

In deze prognostische studie bij 47.625 patiënten met kanker trainden en evalueerden de onderzoekers traditionele en neurale modellen om te voorspellen of patiënten 6, 36 of 60 maanden zullen overleven op basis van hun eerste consult bij de oncoloog. De onderzoekers evalueerden het model op een interne set van gegevens en ontdekten dat de beste modellen resultaten haalden die vergelijkbaar zijn met of superieur aan die van eerder werk, dat de overleving alleen voorspelde voor specifieke soorten kanker of gegevens gebruikte die moeilijker te verkrijgen waren.

“Onze bevindingen suggereren dat een klinisch bruikbaar overlevingsvoorspellingsmodel voor patiënten met kanker mogelijk is zonder dat specifieke modellen voor verschillende kankertypes nodig zijn en door gegevens te gebruiken die gemakkelijk toegankelijk zijn zonder complexe gegevensverwerking of datamining. Deze resultaten moeten nog extern worden gevalideerd en is nog ruimte voor verbetering; hoe dan ook suggereren de resultaten dat deze methodologie nuttig kan zijn door patiënten met kanker en hun behandelteam te helpen een geïndividualiseerde verwachting van overleving te geven”, aldus de onderzoekers.

U wil op dit artikel reageren ?

Toegang tot alle functionaliteiten is gereserveerd voor professionele zorgverleners.

Indien u een professionele zorgverlener bent, dient u zich aan te melden of u gratis te registreren om volledige toegang te krijgen tot deze inhoud.
Bent u journalist of wenst u ons te informeren, schrijf ons dan op redactie@rmnet.be.