Dolore legato al cancro: un team di ricercatori ha utilizzato i dati del programma “All of Us” del National Institutes of Health per addestrare un algoritmo di deep learning a prevederlo
Un team di ricercatori ha utilizzato i dati del programma “All of Us” del National Institutes of Health per addestrare un algoritmo di deep learning, in grado di identificare le pazienti con tumore al seno ad alto rischio di sviluppare dolore cronico dopo il trattamento. E’ quanto evidenzia un nuovo studio pubblicato sul Journal of Nursing Scholarship.
“Questo approccio predittivo consente di intervenire precocemente e di implementare strategie personalizzate per la gestione del dolore, migliorando potenzialmente i risultati per le pazienti e riducendo il peso del dolore a lungo termine associato al trattamento del tumore al seno”, ha dichiarato Jung In Park, professore presso la Sue and Bill Gross School of Nursing dell’Università della California, a Irvine.
Dolore da cancro
Il dolore da cancro è una condizione comune tra i pazienti oncologici, causata sia dalla malattia stessa che dai trattamenti a cui vengono sottoposti. Questo tipo di dolore può derivare dalla crescita del tumore, che può comprimere o invadere organi, nervi e ossa, ma può anche essere una conseguenza di interventi chirurgici, chemioterapia, radioterapia o altri trattamenti. Il dolore può variare da lieve a grave e può essere acuto o cronico, influenzando significativamente la qualità della vita del paziente.
La gestione del dolore da cancro è fondamentale nel percorso terapeutico. Esistono vari approcci, che vanno dai farmaci analgesici, tra cui gli oppioidi, ai trattamenti non farmacologici come la fisioterapia, la terapia cognitivo-comportamentale e le tecniche di rilassamento. In alcuni casi, vengono utilizzate anche terapie avanzate come la neuromodulazione o i blocchi nervosi.
Un’adeguata gestione del dolore può migliorare notevolmente il benessere del paziente, aiutandolo a mantenere un buon livello di funzionalità e ad affrontare meglio il percorso di cura.
Lo studio
Il set di dati finale di questo studio comprendeva 1.131 pazienti trattate per il tumore al seno, con 199 (17,59%) che avevano dolore cronico e 932 (82,4%) senza dolore cronico.
Le variabili utilizzate per la modellazione sono state derivate da informazioni demografiche, codici di diagnosi precedenti alla diagnosi di cancro e dati da questionari.
Sulla base di questi input, il modello ha predetto l’insorgenza di dolore cronico dopo la diagnosi di cancro con una precisione del 72,8%. L’algoritmo ha inoltre identificato i codici di diagnosi più probabilmente associati all’esperienza di dolore, o alla sua assenza, dopo il trattamento per il tumore al seno.
Una limitazione dello studio è stata la composizione relativamente omogenea dei partecipanti, con l’88,2% rappresentato da pazienti bianche (n=997). Le persone nere o afroamericane (n=84) e asiatiche (n=24) costituivano rispettivamente il 7,5% e il 2,1% del gruppo.
Park ha sottolineato che la mancanza di diversità razziale potrebbe limitare la generalizzabilità dei risultati.
L’innovazione chiave è l’integrazione senza soluzione di continuità tra dati temporali (storia delle diagnosi) e dati statici (demografici e sondaggi), creando un modello predittivo completo. Questo approccio considera sia i codici di diagnosi che i pattern temporali e gli attributi statici che influenzano il dolore cronico. L’uso dell’architettura Transformer ha permesso di trarre informazioni significative da storie mediche complesse. Inoltre, attraverso le matrici di auto-attenzione del modello Transformer, si è riusciti a identificare i codici di diagnosi più influenti per le previsioni di dolore cronico.
Transformer è un’architettura di reti neurali che ha rivoluzionato il processamento del linguaggio naturale e ha trovato applicazioni in vari campi, come l’informatica sanitaria. È alla base dei modelli linguistici avanzati (LLM) e dell’intelligenza artificiale generativa, come BERT e GPT. La sua innovazione principale è il meccanismo di auto-attenzione, che permette di gestire relazioni complesse tra i dati, anche a distanza, superando i limiti di modelli come RNN e LSTM.
Sono stati individuati codici di diagnosi specifici associati a casi positivi e negativi di dolore cronico. Ad esempio, la diagnosi di depressione è comune nei casi positivi, suggerendo che essa amplifica la percezione del dolore.
Sviluppi futuri
Lo studio presenta alcune limitazioni, come la mancanza di diversità nel campione di pazienti e l’inclusione di un numero limitato di fattori (solo dati demografici, codici di diagnosi e status socioeconomico). È necessario includere ulteriori fattori come farmaci e dati genetici per migliorare il modello. Inoltre, l’uso di dati solo di pazienti con sondaggi disponibili potrebbe aver introdotto bias di selezione. In futuro, sarà importante affrontare queste limitazioni per migliorare l’accuratezza e la generalizzabilità del modello.
Lo studio rappresenta un passo avanti nel prevedere il dolore cronico nelle pazienti con cancro al seno, grazie all’uso di modelli basati su Transformer e deep learning. Tuttavia, sono necessari ulteriori studi per includere più fattori influenzanti e dati demografici più vari, espandendo questo approccio a diversi contesti medici.
Jung In Park et al., Optimizing pain management in breast cancer care: Utilizing ‘All of Us’ data and deep learning to identify patients at elevated risk for chronic pain J Nurs Scholarsh. 2024 Jul 26.
leggi