Állatorvos szekciók

Kutatásunk célja egy olyan, mesterséges intelligenciát használó predikciós modell (neurális háló) létrehozása, ami általános klinikai adatok és a rutin vérvételi eredmények alapján előrejelzi a kemoterápia miatt fellépő mellékhatásokat. Kutatásunkhoz az Állatorvosi Hematológiai és Onkológiai Központban 2023.09.16 és 2024.01.30 között kezelt betegek retrospektív adatait használtuk fel. Összesen 2708 vérvételt vizsgáltunk, ebből 719 volt ténylegesen kemoterápiás beadáshoz köthető, és végül 683-at használtunk fel.

A kialakult mellékhatásokat a Veterinary Cooperative Oncology Group Common Terminology Criteria for Adverse Events (VCOG-CTCAE) alapján osztályoztuk súlyosság szerint. Az adatok értékeléséhez statisztikai módszerek mellett egy korrelációs mátrixot és klinikai szempontból megalapozott feltételezéseket használtunk. A machine learning modell betanításához végül ezekkel a szelektált adatokkal dolgoztunk. Így 7 féle citotoxikus szerrel történő kezelést (doxorubicin, vincristin, vinblastin, ciklofoszfamid, CCNU, mitoxantron, carboplatin), az ekkor készített rutin laboratóriumi eredmények egy részét, illetve a betegek általános klinikai adatait (testtömeg, fajta, kor, ivar, ivarosság, testtömeg változás) vetettük össze a beadás után esetlegesen kialakuló mellékhatásokkal. A modell az előbb leírt bemeneti adatok alapján adott becslést a mellékhatások megjelenésére. A modell betanítása során az adatbázis 90%-án tanult és a maradékon értékelte a teljesítményét. Egy állat különböző kezelései kizárólagosan csak a teszt adatbázisban vagy a tréning adatbázisban szerepeltek, mellyel elkerülhető volt az adabázisok adatainak keveredése is.

A végső modell 99,6%-os pontossággal tanulta meg a tréning adatbázist, míg az általa nem látott teszt adatbázison 84,5 %-os pontosságot ért el. A működő modell teljesítményét összevetettük öt onkológiával foglalkozó állatorvos teljesítményével. A modell által használt adatok alapján ahhoz hasonló becslést kellett végezniük a mellékhatások kialakulásának esélyével kapcsolatban. Ezeket az adatokat korábban sem a modell tanításához, sem pedig a teszteléséhez nem használtuk, a betegek egyéb adatait a klinikusok sem ismerhették. A teszthez használt adatok nagyobb arányban tartalmaztak mellékhatásos eseményeket, a modellek betanítása során ez jellemzően rontotta a pontosságot. Az állatorvosok átlagosan 59,4% pontosságot értek el a predikcióban, a modell ezen a teszten 72% pontossággal találta el, hogy lesz-e mellékhatás.

A mellékhatások kialakulása gyakran vezet a kezelések halasztásához, ezért ezek előrejelzése kritikus fontosságú lehet. A felhasznált adatok heterogenitása magas, sok a bemeneti dimenzió, ezért egyszerűsítéseket kellett alkalmaznunk. A felmerülő mellékhatások között arányaiban kevés súlyos mellékhatás fordult elő. Noha a jelenlegi kutatás eredményei bíztatóak, egy nagyobb adatbázis, szélesebb körből (több klinikáról) vett mintákkal, és lehetőleg prospekítv módon vizsgálva, ennél jobb eredményeket is hozhat