使用人工智能和机器学习模型预测美国萨摩亚的结肠直肠癌风险:试点研究

科学领域:

• 在瘤学瘤学.
• 生物医学信息学 生物医学信息学
• 公共卫生 公共卫生

背景情况:

• 美国萨摩亚的结肠直肠癌 (CRC) 查受到资源限制和文化障碍的阻碍.
• 人工智能和机器学习 (AI/ML) 为服务不足的人群风险预测提供了潜在的解决方案.
• 全血细胞计 (CBC) 和甲基化第九色素 (mSEPT9) 被探索为可访问的生物标志物用于CRC风险评估.

研究的目的:

• 评估AI/ML模型用于预测美国萨摩亚CRC风险的可行性.
• 在资源有限的环境中评估CBC结果和mSEPT9生物标志物的实用性.
• 确定研究群体中CRC查参与的障碍.

主要方法:

• 一个回顾性分析6025个50岁以上的个人使用AI/ML模型与CBC,年龄和性别.
• 根据AI/ML预测,确定62名高风险参与者.
• 纳入mSEPT9生物标志物和后续查 (结肠镜检查,FIT,mSEPT9血液检查).

主要成果:

• AI/ML模型确定了62名患结直肠癌 (CRC) 的高风险个体.
• 随访参与率低 (4/62) 模型验证有限;只有一个参与者接受了结肠镜检查.
• 风险最高的参与者显示mSEPT9水平升高和良性多,表明潜在的生物标志物.

结论:

• 人工智能/ML模型在资源有限,文化多样化的环境中具有CRC风险预测的潜力.
• 显著的文化,财务和后勤障碍阻碍了患者的随访和技术实施.
• 未来的研究必须通过社区参与和文化敏感的干预来解决这些障碍,以改善CRC查结果.