使用纵向诊断和药物记录的深度顺序建模来预测胰腺癌风险

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 胰腺管腺癌 (PDAC) 由于晚期诊断,其存活率较低.
• 目前的早期检测方法是昂贵的,而且缺乏全民查.
• 识别高风险个体对于及时干预至关重要.

研究的目的:

• 开发和验证基于变压器的AI模型,用于预测PDAC风险.
• 利用纵向电子健康记录 (EHR) 数据用于早期风险识别.
• 评估诊断和药物治疗轨迹对PDAC预测的影响.

主要方法:

• 一个基于变压器的模型被训练在来自19,426个PDAC病例和约1590万对照者的EHR数据上.
• 该模型整合了诊断代码和药物历史,以预测6个,12个和36个月的窗口中的PDAC风险.
• 功能重要性分析确定了PDAC风险的关键预测因素.

主要成果:

• 人工智能模型展示了PDAC的显著预测性能.
• 整合药物数据大大提高了模型的准确性.
• 在一个100万人的队列中,高风险个体的PDAC发病率比年龄/性别估计高出70-115倍.
• 慢性炎症和特定药物被确定为显著的危险因素.

结论:

• 用人工智能驱动的EHR数据分析可以有效地识别PDAC高风险个体.
• 该模型为改善早期检测和患者管理提供了潜在的途径.
• 这种方法可以降低与晚期癌症诊断相关的医疗保健成本.