gms | German Medical Science

66. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS), 12. Jahreskongress der Technologie- und Methodenplattform für die vernetzte medizinische Forschung e. V. (TMF)

26. - 30.09.2021, online

Artikel

Artikel empfehlen

Clinical Decision Support in der Onkologie mithilfe von Techniken des Machine Learnings auf Basis von Real World Data – Systematic Review

Meeting Abstract

Suche in Medline nach

  • Andreas Kudak - Department of Radiation Oncology, Heidelberg University Hospital, Heidelberg, Germany; Heidelberg Institute of Radiation Oncology (HIRO), Heidelberg, Germany; Clinical Cooperation Unit Radiation Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany
  • Matthias Ulrich - Department of Radiation Oncology, Heidelberg University Hospital, Heidelberg, Germany; Heidelberg Institute of Radiation Oncology (HIRO), Heidelberg, Germany; Clinical Cooperation Unit Radiation Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany
  • Jürgen Debus - Department of Radiation Oncology, Heidelberg University Hospital, Heidelberg, Germany; Heidelberg Institute of Radiation Oncology (HIRO), Heidelberg, Germany; Clinical Cooperation Unit Radiation Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany; National Center for Tumor diseases (NCT), Heidelberg, Germany; Heidelberg Ion-Beam Therapy Center (HIT), Department of Radiation Oncology, Heidelberg University Hospital, Heidelberg, Germany; German Cancer Consortium (DKTK), Heidelberg, Germany
  • Nina Bougatf - Department of Radiation Oncology, Heidelberg University Hospital, Heidelberg, Germany; Heidelberg Institute of Radiation Oncology (HIRO), Heidelberg, Germany; Clinical Cooperation Unit Radiation Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany; National Center for Tumor diseases (NCT), Heidelberg, Germany; Heidelberg Ion-Beam Therapy Center (HIT), Department of Radiation Oncology, Heidelberg University Hospital, Heidelberg, Germany

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 66. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS), 12. Jahreskongress der Technologie- und Methodenplattform für die vernetzte medizinische Forschung e.V. (TMF). sine loco [digital], 26.-30.09.2021. Düsseldorf: German Medical Science GMS Publishing House; 2021. DocAbstr. 126

doi: 10.3205/21gmds059, urn:nbn:de:0183-21gmds0598

Veröffentlicht: 24. September 2021

© 2021 Kudak et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.

Gliederung

Text

Einleitung: Die Auswertung strukturierter DICOM-Daten hat in den letzten Jahren mit der Verbreitung von Radiomics stark zugenommen. Zusätzlich nimmt die personalisierte Behandlung von radioonkologischen Patienten unter Hinzunahme aller verfügbaren Daten der realen Welt einen immer größeren Stellenwert ein. Die große Menge an interdisziplinären und Real-World-Daten bietet den Strahlentherapeuten ein enormes Potenzial zur individuellen Therapie. Gleichzeitig muss der Überblick über komplexe Zusammenhänge aus unterschiedlichen Fachrichtungen bewahrt werden. Clinical Decision Support Systeme (CDSS) basierend auf Machine Learning können Strahlentherapeuten und Patienten eine Entscheidungsunterstützung bieten.

Methodik: Das Systematic Review basiert auf PRISMA und wurde in PubMed (https://pubmed.ncbi.nlm.nih.gov), Google Scholar (https://scholar.google.de) und LIVIVO (https://www.livivo.de) durchgeführt. In PubMed wurde eine Kombination aus Titel („decision support“) und MeSH Term („radiology“) verwendet. In Google Scholar und LIVIVO wurde im Titel nach den Begriffen „decision support“ und „radio(onco)logy“ gesucht. Es wurden nur Arbeiten eingeschlossen, die nach 20216 veröffentlicht und bei denen insbesondere auch klinische Daten verwendet wurden. Zusätzlich wurden zu jedem Artikel die ersten fünf ähnlichen Artikel von PubMed einbezogen. Nach Entfernung der Duplikate blieben 281 Artikel, wovon 198 aufgrund des Titels oder Abstracts ausgeschlossen werden konnten. Nach Ausarbeitung des Volltextes wurden 22 Artikel ausgewertet.

Ergebnisse: Die Studien [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15] befassten sich ausschließlich mit klinischen Daten. Die Studien [16], [17], [18], [19], [20], [21], [22], kombinierten klinische Daten mit Radiomics-Daten. Die Studien [1], [2], [3], [4] haben gezeigt, dass die Bildung eines Rezidivs oder von Metastasen mit ausschließlich klinischen Daten und Techniken des Machine Learnings vorhergesagt werden kann. Die Studien [5], [6], [7], [8] konnten unter anderem mithilfe des Alters, Geschlechts, Operationszeitpunkts oder des Tumorstatus das Overall Survival (OS) vorhersagen. Die Studien [3], [9], [10] konnten mit klinischen Daten Metastasen diagnostizieren. Schuh et al. [11] entwickelten eine TNM Klassifizierung, die sie mittels PMD Export ins i.s.h.med integrieren konnten. Die Studien [12], [13], [14], [15] verglichen Therapieempfehlungen von Watson for Oncology (https://www.ibm.com/watson-health/solutions/cancer-research-treatment) mit Therapieempfehlungen von Ärzten ihrer Einrichtungen.

Die Arbeiten [16], [17], [18], [19], [20], [21], [22] kombinierten gewonnene Merkmale aus Radiomics mit klinischen Daten. Keek et al. [16] zeigten, dass die radiomischen Merkmale keinen Einfluss auf die Vorhersage von OS, Rezidiven oder Metastasen haben. Ein klinisches Modell zur Vorhersage von Metastasen stellte sich als leistungsstärkstes heraus. Die Arbeiten [17], [18], [19], [20] entwickelten eine Tumorerkennung bzw. Klassifikation auf Grundlage von Radiomics und klinischen Daten, wie Blutdruck, Alter oder Gewichtsverlust. Die Arbeiten [21], [22] konnten mit extrahierten Merkmalen aus Radiomics und wenigen klinischen Parametern den Mikrosatelliteninstabilität (MSI) Status vor der Operation ermitteln.

Diskussion: Die Arbeiten verwendeten im Schnitt nur ca. 10 und leicht zu erhebende klinische Parameter. Dies liegt hauptsächlich an den dezentralen und unvollständigen Daten in der klinischen Realität. Ob eine größere Anzahl an Parametern das System verbessert, muss untersucht werden. Es hat sich jedoch auch gezeigt, dass nicht alle Parameter von Bedeutung sind. Außerdem können CDSS aufgrund regionaler Gegebenheiten, wie Medikamentenzulassungen, nicht einfach in eine andere Region übertragen werden [12], [13], [14], [15]. Je nach Fragestellung und Daten erzielen unterschiedliche Techniken, die besten Ergebnisse.

Schlussfolgerung: CDSS auf Basis von Machine Learning mit klinischen- und Bilddaten kann eine Entscheidungsunterstützung für Ärzte und Patienten in der Radioonkologie sein. Wenige klinische Parameter können dabei durchaus ausreichend sein. Die Analyse von DICOM-Daten durch Radiomics sollte in die Entscheidungsunterstützung einbezogen werden, da diese leicht zu verarbeiten sind. Mögliche Einsatzgebiete sind das Einbeziehen der Vorhersage des OS in die Therapieentscheidung oder das frühzeitige Erkennen von Tumorerkrankungen.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.

Gliederung

Literatur

1.
Alabi RO, Elmusrati M, Sawazaki-Calone I, Kowalski LP, Haglund C, Coletta RD, et al. Machine learning application for prediction of locoregional recurrences in early oral tongue cancer: a Web-based prognostic tool. Virchows Arch. 2019 Oct 1;475(4):489–97. DOI: 10.1007/s00428-019-02642-5 Externer Link
2.
Alabi RO, Elmusrati M, Sawazaki-Calone I, Kowalski LP, Haglund C, Coletta RD, et al. Comparison of supervised machine learning classification techniques in prediction of locoregional recurrences in early oral tongue cancer. Int J Med Inform. 2020 Apr 1;136. DOI: 10.1016/j.ijmedinf.2019.104068 Externer Link
3.
Shan J, Jiang R, Chen X, Zhong Y, Zhang W, Xie L, et al. Machine Learning Predicts Lymph Node Metastasis in Early-Stage Oral Tongue Squamous Cell Carcinoma. J Oral Maxillofac Surg. 2020 Dec 1;78(12):2208–18. DOI: 10.1016/j.joms.2020.06.015 Externer Link
4.
Chu CS, Lee NP, Adeoye J, Thomson P, Choi SW. Machine learning and treatment outcome prediction for oral cancer. J Oral Pathol Med. 2020 Nov 1;49(10):977–85. DOI: 10.1111/jop.13089 Externer Link
5.
Thio QCBS, Karhade A V, Ogink PT, Raskin KA, De Amorim Bernstein K, Calderon SAL, et al. Can machine-learning techniques be used for 5-year survival prediction of patients with chondrosarcoma? Clin Orthop Relat Res. 2018;476(10):2040–8. DOI: 10.1097/CORR.0000000000000433 Externer Link
6.
Karadaghy OA, Shew M, New J, Bur AM. Development and Assessment of a Machine Learning Model to Help Predict Survival among Patients with Oral Squamous Cell Carcinoma. JAMA Otolaryngol - Head Neck Surg. 2019 Dec 1;145(12):1115–20. DOI: 10.1001/jamaoto.2019.0981 Externer Link
7.
Alabi RO, Mäkitie AA, Pirinen M, Elmusrati M, Leivo I, Almangush A. Comparison of nomogram with machine learning techniques for prediction of overall survival in patients with tongue cancer. Int J Med Inform. 2021 Jan 1;145. DOI: 10.1016/j.ijmedinf.2020.104313 Externer Link
8.
Anderson AB, Wedin R, Fabbri N, Boland P, Healey J, Forsberg JA. External Validation of PATHFx Version 3.0 in Patients Treated Surgically and Nonsurgically for Symptomatic Skeletal Metastases. Clin Orthop Relat Res. 2020 Apr 1;478(4):808–18. DOI: 10.1097/CORR.0000000000001081 Externer Link
9.
Mermod M, Jourdan EF, Gupta R, Bongiovanni M, Tolstonog G, Simon C, et al. Development and validation of a multivariable prediction model for the identification of occult lymph node metastasis in oral squamous cell carcinoma. Head Neck. 2020 Aug 1;42(8):1811–20. DOI: 10.1002/hed.26105 Externer Link
10.
Bur AM, Holcomb A, Goodwin S, Woodroof J, Karadaghy O, Shnayder Y, et al. Machine learning to predict occult nodal metastasis in early oral squamous cell carcinoma. Oral Oncol. 2019 May 1;92:20–5. DOI: 10.1016/j.oraloncology.2019.03.011 Externer Link
11.
Schuh C, de Bruin JS, Seeling W. Clinical decision support systems at the Vienna General Hospital using Arden Syntax: Design, implementation, and integration. Artif Intell Med. 2018 Nov 1;92:24–33. DOI: 10.1016/j.artmed.2015.11.002 Externer Link
12.
Aikemu B, Xue P, Hong H, Jia H, Wang C, Li S, et al. Artificial Intelligence in Decision-Making for Colorectal Cancer Treatment Strategy: An Observational Study of Implementing Watson for Oncology in a 250-Case Cohort. Front Oncol. 2021 Feb 4;10. DOI: 10.3389/fonc.2020.594182 Externer Link
13.
Zhou N, Zhang C, Lv H, Hao C, Li T, Zhu J, et al. Concordance Study Between IBM Watson for Oncology and Clinical Practice for Patients with Cancer in China. Oncologist. 2019 Jun;24(6):812–9. DOI: 10.1634/theoncologist.2018-0255 Externer Link
14.
Somashekhar SP, Sepúlveda MJ, Puglielli S, Norden AD, Shortliffe EH, Rohit Kumar C, et al. Watson for Oncology and breast cancer treatment recommendations: Agreement with an expert multidisciplinary tumor board. Ann Oncol. 2018 Feb 1;29(2):418–23. DOI: 10.1093/annonc/mdx781 Externer Link
15.
Tian Y, Liu X, Wang Z, Cao S, Liu Z, Ji Q, et al. Concordance between watson for oncology and a multidisciplinary clinical decision-making team for gastric cancer and the prognostic implications: Retrospective study. J Med Internet Res. 2020 Feb 1;22(2). DOI: 10.2196/14122 Externer Link
16.
Keek S, Sanduleanu S, Wesseling F, De Roest R, Van Den Brekel M, Van Der Heijden M, et al. Computed tomography-derived radiomic signature of head and neck squamous cell carcinoma (peri)tumoral tissue for the prediction of locoregional recurrence and distant metastasis after concurrent chemoradiotherapy. PLoS One. 2020 May 1;15(5). DOI: 10.1371/journal.pone.0232639 Externer Link
17.
He T, Puppala M, Ezeana CF, Huang Y, Chou P, Yu X, et al. A Deep Learning–Based Decision Support Tool for Precision Risk Assessment of Breast Cancer. JCO Clin Cancer Informatics. 2019 Dec;3(3):1–12. DOI: 10.1200/CCI.18.00121 Externer Link
18.
Masood A, Sheng B, Li P, Hou X, Wei X, Qin J, et al. Computer-Assisted Decision Support System in Pulmonary Cancer detection and stage classification on CT images. J Biomed Inform. 2018 Mar 1;79:117–28. DOI: 10.1016/j.jbi.2018.01.005 Externer Link
19.
Nasrullah N, Sang J, Alam MS, Mateen M, Cai B, Hu H. Automated lung nodule detection and classification using deep learning combined with multiple strategies. Sensors (Switzerland). 2019 Sep 1;19(17). DOI: 10.3390/s19173722 Externer Link
20.
Ren J, Qi M, Yuan Y, Duan S, Tao X. Machine Learning–Based MRI Texture Analysis to Predict the Histologic Grade of Oral Squamous Cell Carcinoma. Am J Roentgenol. 2020 Nov 1;215(5). DOI: 10.2214/AJR.19.22593 Externer Link
21.
Zhang W, Huang Z, Zhao J, He D, Li M, Yin H, et al. Development and validation of magnetic resonance imaging- based radiomics models for preoperative prediction of microsatellite instability in rectal cancer. Ann Transl Med. 2021 Jan;9(2):134–134. Available from: https://atm.amegroups.com/article/view/60720/html Externer Link
22.
Wu J, Zhang Q, Zhao Y, Liu Y, Chen A, Li X, et al. Radiomics Analysis of Iodine-Based Material Decomposition Images With Dual-Energy Computed Tomography Imaging for Preoperatively Predicting Microsatellite Instability Status in Colorectal Cancer. Front Oncol. 2019 Nov 22;9. DOI: 10.3389/fonc.2019.01250 Externer Link