В эпоху персонализированной онкологии интеграция показателей, сообщаемых пациентами (PRO), в модели машинного обучения открывает новые возможности для прогнозирования исходов при метастатическом раке почки (мПКР). Исследование демонстрирует, как объяснимые алгоритмы машинного обучения могут использовать PRO-данные совместно с клиническими параметрами для более точного прогнозирования долгосрочной выживаемости у пациентов, получающих терапию ингибиторами тирозинкиназ (TKI).
Исследование основано на анализе комплексного датасета пациентов с мПКР, получавших TKI-терапию в рамках различных клинических протоколов. Объяснимые модели машинного обучения были разработаны с использованием следующих компонентов:
- Традиционные клинические факторы прогноза (критерии IMDC, лабораторные показатели)
- PRO-данные, собранные с использованием валидированных опросников качества жизни
- Показатели функционального статуса и симптоматической нагрузки
- Данные о приверженности терапии и переносимости лечения
Алгоритмы машинного обучения включали методы, обеспечивающие интерпретируемость результатов, такие как SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations).
Интеграция PRO-данных в модели машинного обучения значительно улучшила точность прогнозирования долгосрочной выживаемости по сравнению с моделями, основанными исключительно на клинических параметрах. Ключевые PRO-показатели, демонстрировавшие наибольшую прогностическую ценность:
- Оценки физического функционирования и повседневной активности
- Показатели усталости и астении
- Качество сна и когнитивное функционирование
- Социальное функционирование и эмоциональное благополучие
Объяснимость моделей позволила выявить индивидуальные паттерны факторов, влияющих на прогноз для каждого конкретного пациента, что имеет критическое значение для клинического применения.
Разработанные модели продемонстрировали потенциал для интеграции в клиническую практику через электронные медицинские системы и мобильные приложения для мониторинга PRO. Это позволяет:
- Персонализировать подходы к мониторингу и поддерживающей терапии
- Оптимизировать время и частоту клинических визитов
- Выявлять пациентов высокого риска для более интенсивного наблюдения
- Улучшать коммуникацию между пациентами и медицинской командой
Исследование подчеркивает важность систематического сбора PRO-данных как неотъемлемой части современного онкологического мониторинга, особенно в контексте длительной таргетной терапии при мПКР.