geliştirilen machine learning modelleriyle kanser hastalarının tedâvi sırasında karşılaşabileceği depresyon, anksiyete ve uyku bozuklukları gibi yaygın problemlerin önceden tahmin edilmesi ve bu şekilde kanser hastasının yaşam kalitesini düşüren semptomların önüne geçilebilmesi olayı.
ilk olarak, rt alan hasta gruplarının tedâvi boyunca ne zaman, ne sıklıkta ve ne şiddette semptom geliştirdiklerini raporluyorlar. bunu da geliştirdikleri machine learning algoritmalarıyla test ediyorlar. sonuç olarak kullandıkları machine learning tekniklerinin onkoloji hastalarının gelecekteki semptomlarını ve bunların şiddetlerini anlamlı düzeyde öngörebildiğini gösteriyorlar.
bunun onkoloji klinisyenleri için önemi; hastaların henüz semptom geliştirmediği ve yaşam kalitelerinin bozulmadığı erken dönemlerde verecekleri tedâvi planlarını değiştirebilmeleri ve tedâviyi hastanın yaşamına daha adaptif hâle getirebilmeleri.
ai uygulamaları yalnızca bunlarla sınırlı kalmayacak. herhangi bir hastada, hastalığın tanısının doğru bir şekilde verildiği, prognozun ve tedâvi başarısının, hangi tedâvi yönteminin daha efektif olacağının öngörüldüğü; klinisyenin tecrûbesi ve klinik decision-making başarısıyla yarışan modeller geliyor.
ileri okuma ve referans:
Learning from data to predict future symptoms of oncology patients. PLOS ONE, 2018; 13 (12): e0208808
doi: 10.1371/journal.pone.0208808
ilk olarak, rt alan hasta gruplarının tedâvi boyunca ne zaman, ne sıklıkta ve ne şiddette semptom geliştirdiklerini raporluyorlar. bunu da geliştirdikleri machine learning algoritmalarıyla test ediyorlar. sonuç olarak kullandıkları machine learning tekniklerinin onkoloji hastalarının gelecekteki semptomlarını ve bunların şiddetlerini anlamlı düzeyde öngörebildiğini gösteriyorlar.
bunun onkoloji klinisyenleri için önemi; hastaların henüz semptom geliştirmediği ve yaşam kalitelerinin bozulmadığı erken dönemlerde verecekleri tedâvi planlarını değiştirebilmeleri ve tedâviyi hastanın yaşamına daha adaptif hâle getirebilmeleri.
ai uygulamaları yalnızca bunlarla sınırlı kalmayacak. herhangi bir hastada, hastalığın tanısının doğru bir şekilde verildiği, prognozun ve tedâvi başarısının, hangi tedâvi yönteminin daha efektif olacağının öngörüldüğü; klinisyenin tecrûbesi ve klinik decision-making başarısıyla yarışan modeller geliyor.
ileri okuma ve referans:
Learning from data to predict future symptoms of oncology patients. PLOS ONE, 2018; 13 (12): e0208808
doi: 10.1371/journal.pone.0208808