新传媒网根据 Penn Medicine 研究人员发表的一项随机临床试验的长期结果，基于预测死亡风险的机器学习算法向医疗保健临床医生提供的电子助推使与患者就其临终护理偏好进行对话的比率翻了两番今天在JAMA 肿瘤学上。该研究还发现，机器学习触发的提醒显着减少了临终时积极化疗和其他全身疗法的使用，研究表明，这与生活质量差和副作用有关，这些副作用可能导致他们在生命的最后几天不必要地住院。
对于癌症发展到无法治愈阶段的患者，一些人可能会优先考虑能够尽可能延长生命的治疗，而另一些人可能更喜欢旨在最大程度减少疼痛或恶心的护理计划，具体取决于他们的疾病前景。与患者谈论他们的预后和价值观可以帮助临床医生制定更符合每个人目标的护理计划，但在患者病情恶化之前进行讨论至关重要。
“这项研究表明，我们可以使用信息学来改善临终关怀，”资深作者 Ravi B. Parikh 医学博士说，他是大学佩雷尔曼医学院的肿瘤学家和医学伦理学和卫生政策与医学助理教授宾夕法尼亚州和艾布拉姆森癌症中心宾夕法尼亚癌症护理创新中心副主任。“与癌症患者就他们的目标和愿望进行沟通是护理的关键部分，可以减少临终时不必要或不想要的治疗。问题是我们做得不够，而且很难确定什么时候该做是时候与特定患者 进行对话了。”
Parikh 及其同事之前展示了一种机器学习算法可以识别出在未来六个月内死亡风险高的癌症患者。他们将该算法与电子邮件和短信形式的基于行为的“轻推”相结合，以提示临床医生在与高危患者会面时发起严重疾病对话。该研究的初步结果于 2020 年发表，表明为期 16 周的干预使这些对话的发生率增加了两倍。
作为癌症治疗中基于机器学习的行为干预的首个随机试验，该研究代表了人工智能在肿瘤学领域迈出的重要一步。该研究包括 20,506 名在 Penn Medicine 的几个地点接受癌症治疗的患者，总共有超过 40,000 名患者就诊，使其成为最大的基于机器学习的干预研究，重点是肿瘤学中的严重疾病护理。
今天公布的研究结果表明，在 24 周的随访期后，高危患者的谈话率几乎翻了两番，从 3.4% 增至 13.5%。在研究期间死亡的患者中，在生命的最后两周使用化疗或靶向治疗的比例从 10.4% 下降到 7.5%。干预对其他临终指标没有影响，包括临终关怀登记或住院时间、住院患者死亡或临终重症监护病房的使用。
