Skip to main content

Sundhedspolitisk Tidsskrift

Bivirkninger efter testikelkræft forudsiges ved maskinlæring

I samarbejde med Rigshospitalet har forskere fra DTU Sundhedsteknologi udviklet en metode, som ved hjælp af maskinlæring kan forudsige bivirkninger ved behandling for testikelkræft. Maskinlæring er et område inden for datalogi og kunstig intelligens, som sætter computere i stand til at lære, uden at man eksplicit har programmeret, hvordan læringen foregår.

Testikelkræft er den hyppigst forekommende kræftform hos unge mænd. Antallet af nye tilfælde er stigende i hele verden. Der er heldigvis en forholdsvis høj helbredelsesrate, idet 95 procent overlever efter 10 år – hvis det opdages i tide og behandles rigtigt. Det er dog meget individuelt, hvilken behandling, der er behov for. Cirka halvdelen vil på et tidspunkt behandles med kemoterapi.

”Hos testikelkræftpatienter er cisplatin-baseret kemoterapi essentiel for at sikre de gode helbredelsesmuligheder. Desværre kan behandlingen senere i livet give bivirkninger, bl.a. nedsat nyrefunktion. Vi har dog brug for mere viden om, hvem der efter behandlingen ender med at få bivirkninger og hvem, der ikke gør,” fortæller Jakob Lauritsen fra Rigshospitalet.

Forskerne stillede sig derfor spørgsmålet: Hvor langt kan vi gå med at forudsige bivirkninger af kræftkemoterapi ved hjælp af maskinlæring? Det krævede for det første en del patientdata.

”Ved hjælp af en kohorte af patienter, der er behandlet for testikelkræft har vi i samarbejde med Rigshospitalet udviklet en forudsigelsesmodel for maskinlæring til at tackle dette problem,” siger Sara Garcia, der er forsker på DTU Sundhedsteknologi og sammen med Jakob Lauritsen er førsteforfatter på den artikel, som netop er udkommet i tidsskriftet JNCI Cancer Spectrum.

Den høje kvalitet af danske patientjournaler gjorde det muligt at få præcise oplysninger om bivirkninger og behandlingsdata og via et teknologipartnerskab med DMAC og YouDoBio indhentede forskerne patient-DNA med spytsæt, der blev sendt hjem til dem med post.

Ved at fodre en computer med de mange data udviklede de så en model, der kan forudse, hvor stor risikoen for nedsat nyrefunktion efter behandling vil være.

Bedste forudsigelser for patienter med lav risiko

Patienterne blev klassificeret i høj, mellem og lav risiko for udvikling af nyrepåvirkning. For højrisiko patienter, var modellen i 67 procent af tilfældene i stand til korrekt at forudsige udvikling af påvirket nyrefunktion, medens modellen for lavrisiko-gruppen i 92 procent af tilfældene kom med en korrekt forudsigelse af de patienter, der ikke udviklede nedsat nyrefunktion.

 

Tags: kunstig intelligens

Del artikler