Ανασκόπηση Πολυπαραμετρικών Συστημάτων Υποστήριξης Κλινικών Αποφάσεων για την Πρόγνωση και Κλινική Διαχείριση του Καρκίνου

Abstract

Ο καρκίνος αποτελεί μάστιγα της εποχής μας, με τις στατιστικές να τον τοποθετούν ως τη δεύτερη αιτία θανάτου παγκοσμίως. Αν και η έγκαιρη ανίχνευση και διάγνωση αποτελούν τα σημαντικότερα βήματα για την αντιμετώπισή του, η πρόγνωση του καρκίνου παραμένει εξίσου σημαντική. Η πρόγνωση περιλαμβάνει την πρόβλεψη της πιθανότητας εμφάνισης καρκίνου, την πρόβλεψη υποτροπής των ασθενών και την πρόβλεψη επιβίωσης (προσδόκιμο ζωής). Τα παραπάνω αποτελέσαν αντικείμενο μελέτης σε πολλές δημοσιευμένες έρευνες τα τελευταία χρόνια. Οι συγγραφείς–ερευνητές επιχείρησαν, χρησιμοποιώντας μεθόδους μηχανικής μάθησης και αλγορίθμους ταξινόμησης, να αναπτύξουν ολοκληρωμένα συστήματα υποστήριξης αποφάσεων, τα οποία μπορούν να παράγουν μια πρόβλεψη για την κατάσταση ενός ασθενούς με ικανοποιητική, συνήθως, ακρίβεια. Η εν λόγω πρόβλεψη μπορεί να βοηθήσει τους θεράποντες ιατρούς στη λήψη αποφάσεων, εξατομικευμένων για κάθε ασθενή, καθιστώντας τα συστήματα υποστήριξης κλινικών αποφάσεων χρήσιμα κλινικά εργαλεία. Στην παρούσα διπλωματική εργασία, έγινε μια προσπάθεια να συγκεντρωθούν και να παρουσιαστούν μελέτες που περιλαμβάνουν τέτοιου είδους συστήματα για διαφορετικούς τύπους καρκίνου, να αξιολογηθούν τα αποτελέσματά τους και να εξαχθούν κάποια συμπεράσματα όσον αφορά τη δομή των συστημάτων υποστήριξης κλινικών αποφάσεων, τα δεδομένα που χρησιμοποιήθηκαν για τα σύνολα εκπαίδευσης και επαλήθευσης, τις τεχνικές ταξινόμησης και την απόδοσή τους. Για την πραγματοποίηση της έρευνάς μας, εξετάστηκαν 11 διαφορετικοί τύποι καρκίνου (καρκίνος του μαστού, καρκίνος του προστάτη, καρκίνος του τραχήλου της μήτρας, καρκίνος του πνεύμονα, καρκίνος του παχέος εντέρου, λευχαιμία, καρκίνος του στόματος, καρκίνος των ωοθηκών, καρκίνος του θυρεοειδούς, καρκίνος του ήπατος, καρκίνος των οστών), καθώς και μια μελέτη πρόβλεψης της αποτελεσματικότητας της χημειοθεραπείς, και καταγράφτηκε για κάθε επιμέρους μελέτη ο κλινικός σκοπός (πχ διάγνωση, πρόβλεψη υποτροπής κτλ), τα δεδομένα που χρησιμοποιήθηκαν (πχ κλινικά, απεικονιστικά, γονιδιακά), οι μέθοδοι ταξινόμησης (πχ τεχνητά νευρωνικά δίκτυα, Μπεϋζιανά δίκτυα) και τα γενικά αποτελέσματα (έξοδος του συστήματος και παράμετροι ακρίβειας, ευαισθησίας, ειδικότητας κτλ). Όλα τα παραπάνω παρουσιάζονται σε έναν συγκεντρωτικό πίνακα στο τέλος της μελέτης ώστε να καταστεί δυνατή η επισκόπησή της και να τεθούν υπό συζήτηση συμπεράσματα, περιορισμοί και μελλοντικές συστάσεις. Αποδείχθηκε ότι η πλειονότητα των συστημάτων υποστήριξης κλινικών αποφάσεων επέδειξε εντυπωσιακά αποτελέσματα πρόβλεψης, γεγονός που ενισχύει την πεποίθησή μας ότι η ενσωμάτωση των συστημάτων αυτών σε κλινικές και νοσοκομειακές εφαρμογές είναι απαραίτητη και θα αποδειχθεί μεγάλης σημασίας στα επόμενα χρόνια.

Cancer has proven to be theplague of our time, as it is being placed by the statistics as the second cause of death worldwide. Although early cancer detection and diagnosis are major steps for fighting the disease, cancer prognosis remains equally important. Prognosis relates with the prediction of the likelihood of cancer, as well as the prediction of a patient’s relapse or survival (life expectancy). All the above have been the object in several recently published studies. The researchers have attempted to develop integrated clinical decision support systems by using machine learning methods and classification algorithms. These systems are able to produce an accurate prediction of the patient’s outcome, which may help clinicians in personalized decision-making. The aim of this diploma thesis is the collection and presentation of studies involving such systems as the ones mentioned above for different types of cancer, the assessment of their results and the extraction of several conclusions regarding the structure of clinical decision support systems, the data used for their creation, training and validation, the classification techniques used and the systems’ performance. In order to conduct our study, we examined 11 different cancer types (breast cancer, prostate cancer, cervical cancer, lung cancer, colorectal cancer, leukemia, oral cancer, ovarian cancer, thyroid cancer, liver cancer, skeletal cancer), as well as a study regarding the effectiveness of chemotherapy. For each single study, we listed the study’s clinical endpoint (eg diagnosis, reccurence), the data used (eg clinical, imaging, genomic), the classification methods (eg artificial neural networks, Bayesian networks) and the system’s results (output, accuracy, sensitivity, specificity). All the above are presented in a collective table at the end of the study in order to facilitate the overview of our work and discuss conclusions, limitations and future recommendations. Ithas been proved that the majority of the systems discussed here have shown quite impressive results in terms of prediction, a fact reinforcing our belief that clinical decision support systems will be a valuable integral part of clinical practice in the years to come.