Συγγραφική ομάδα
Φιλιππούση Χρυσάφη, Παπακωνσταντίνου Αθανασία, Ειδικευόμενες Αναισθησιολογίας
Αναισθησιολογικό Τμήμα και Ιατρείο Πόνου Ιπποκράτειο Γενικό Νοσοκομείο Αθηνών
Artificial Intelligence and Machine Learning in Cancer Pain: A Systematic Review
Vivian Salama, MD, PhD, MS, Brandon Godinich, MBA, MHA, Yimin Geng, MSIS, MS, Laia Humbert-Vidan, PhD, Laura Maule, BA, Kareem A. Wahid, PhD, Mohamed A. Naser, PhD, Renjie He, PhD, Abdallah S.R. Mohamed, MD, PhD, MS, Clifton D. Fuller, MD, PhD, and Amy C. Moreno, MD, MS
Department of Radiation Oncology (V.S., B.G., L.H.V., L.M., K.A.W., M.A.N., R.H., A.S.R.M., C.D.F., A.C.M), The University of Texas MD Anderson Cancer Center, Houston, TX, USA; Department of Medical Education (B.G.), Paul L. Foster School of Medicine, Texas Tech Health Sciences Center, El Paso, TX, USA; Research Medical Library (Y.G.), The University of Texas MD Anderson Cancer Center, Houston, TX, USA
Journal of Pain and Symptom Managment Vol. 68 No. 6 December 2024
Υπόβαθρο/Στόχοι: Ο καρκινικός πόνος αποτελεί μια από τις πιο συχνές και εξουθενωτικές επιπλοκές της κακοήθειας, επηρεάζοντας σημαντικά την ποιότητα ζωής των ασθενών. Παρά την πρόοδο στη φαρμακευτική και επεμβατική αναλγησία, η πρόβλεψη της έντασης, της διάρκειας και της ανταπόκρισης στη θεραπεία παραμένει πρόκληση. Η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (ML) έχουν αναδειχθεί ως καινοτόμα εργαλεία που μπορούν να προσφέρουν νέες προσεγγίσεις στην ταξινόμηση, την πρόβλεψη και τη διαχείριση του καρκινικού πόνου. Στόχος της παρούσας συστηματικής ανασκόπησης είναι η διερεύνηση των εφαρμογών AI/ML στη διαχείριση του καρκινικού πόνου, καθώς και η αξιολόγηση της ακρίβειας και της αποτελεσματικότητάς τους.
Μέθοδοι: Διεξήχθη συστηματική ανασκόπηση της βιβλιογραφίας στις βάσεις δεδομένων Ovid MEDLINE, EMBASE και Web of Science, με αναζήτηση μελετών που είχαν δημοσιευθεί έως τις 7 Σεπτεμβρίου 2023. Οι όροι αναζήτησης περιλάμβαναν “Καρκίνος”, “Πόνος”, “Διαχείριση Πόνου”, “Αναλγητικά”, “Τεχνητή Νοημοσύνη”, “Μηχανική Μάθηση” και “Νευρωνικά Δίκτυα”. Η ανάλυση των δεδομένων επικεντρώθηκε στα μοντέλα AI/ML που χρησιμοποιήθηκαν, την ακρίβεια των προβλέψεών τους, την εφαρμοσιμότητα στην κλινική πράξη και τον κίνδυνο μεροληψίας. Η αξιολόγηση της ποιότητας των μελετών πραγματοποιήθηκε με την κλίμακα PROBAST για τον κίνδυνο μεροληψίας και τις κατευθυντήριες γραμμές TRIPOD για την ποιότητα των αναφορών.
Αποτελέσματα: Συνολικά συμπεριλήφθηκαν 44 μελέτες που δημοσιεύθηκαν από το 2006 έως το 2023. Από αυτές, 19 μελέτες επικεντρώθηκαν στην ταξινόμηση του καρκινικού πόνου μετά τη θεραπεία, με διάμεσο AUC 0,80 (εύρος 0,76−0,94). Δεκαοκτώ μελέτες ανέλυσαν την πρόβλεψη και την πορεία του καρκινικού πόνου (διάμεσο AUC 0,86, εύρος 0,50−0,99), ενώ επτά διερεύνησαν τη χρήση AI/ML στη διαχείριση του πόνου (διάμεσο AUC 0,71, εύρος 0,47−0,89). Ο συνολικός διάμεσος AUC όλων των μοντέλων ήταν 0,77. Μεταξύ των διαφορετικών μεθοδολογιών, τα μοντέλα τυχαίου δάσους (Random Forest) επέδειξαν την υψηλότερη συνολική απόδοση (διάμεσο AUC 0,81), τα μοντέλα Lasso παρουσίασαν τη μεγαλύτερη ευαισθησία (διάμεση τιμή: 1,0), ενώ τα υποστηρικτικά διανυσματικά μηχανήματα (Support Vector Machines) είχαν τη μεγαλύτερη ειδικότητα (διάμεσος 0,74). Παρά τις υποσχόμενες επιδόσεις, εντοπίστηκε υψηλός κίνδυνος μεροληψίας (77,3%), χαμηλά ποσοστά εξωτερικής επικύρωσης (14%) και περιορισμένη κλινική εφαρμογή (23%). Επιπλέον, μόνο το 5% των μελετών ανέφερε βαθμονόμηση των μοντέλων.
Συμπέρασμα: Η χρήση AI/ML στη διαχείριση του καρκινικού πόνου έχει τη δυνατότητα να βελτιώσει σημαντικά την ακρίβεια της ταξινόμησης, της πρόβλεψης και της λήψης θεραπευτικών αποφάσεων. Παρόλα αυτά, παραμένουν προκλήσεις που σχετίζονται με την ποιότητα των μελετών, τον κίνδυνο μεροληψίας και την έλλειψη επαρκούς εξωτερικής επικύρωσης. Η περαιτέρω έρευνα θα πρέπει να εστιάσει στη βελτίωση της ποιότητας των δεδομένων, στην αυστηρή επικύρωση των μοντέλων σε πραγματικές κλινικές συνθήκες και στην ενσωμάτωσή τους σε δομημένα πρωτόκολλα κλινικής πρακτικής. Η επιτυχής αντιμετώπιση αυτών των προκλήσεων θα μπορούσε να οδηγήσει σε πιο εξατομικευμένες και αποτελεσματικές προσεγγίσεις στη διαχείριση του καρκινικού πόνου, με απώτερο στόχο τη βελτίωση της ποιότητας ζωής των ασθενών.