‘PLOS Medicine’ dergisinde yayınlanan yakın tarihli bir çalışma, yaş, sigara içme süresi ve günde içilen sigara sayısı verileriyle donatılmış bir makine öğrenme modelinin, akciğer kanseri riskini doğru bir şekilde tahmin edebildiğini ve akciğer kanseri taramasına ihtiyaç duyabilecek kişileri tanımlayabildiğini buldu. . Akciğer kanseri, dünya çapında kanserden ölümlerin önde gelen nedenidir ve erken teşhis, hayatta kalma oranlarını iyileştirmek için çok önemlidir. Çalışma, akciğer kanseri açısından yüksek risk altındaki bireylerin taranmasının ölümleri neredeyse %25 oranında azaltabileceğini öne sürüyor ancak bu yüksek riskli popülasyona kimin ait olduğunu belirlemek zor. Şu anda, akciğer kanseri risk değerlendirmesi için standart bakım modeli, çoğu elektronik tıbbi kayıtlarda kolayca bulunmayan 17 değişkeni gerektirmektedir.
Araştırmacılar, çalışmayı iki büyük gruptan elde edilen verileri kullanarak gerçekleştirdiler: Birleşik Krallık Biobank kohortundan 216.714 sigara içen ve ABD ulusal akciğer tarama deneyine katılan 26.616 sigara içen. Önümüzdeki beş yıl içinde akciğer kanserine yakalanma ve bundan ölme olasılığını tahmin etmek için üç öngörücüyü (yaş, sigara içme süresi ve paket yılı) kullanan bir makine öğrenme modeli geliştirdiler. Model daha sonra ABD Prostat, Akciğer, Kolorektal ve Yumurtalık Tarama Denemesinden elde edilen üçüncü bir veri seti üzerinde test edildi. Sonuçlar, modelin akciğer kanseri insidansını ve ölümlerini şu anda kullanılan risk tahmin formüllerinden daha yüksek hassasiyetle doğru bir şekilde tahmin ettiğini gösterdi.
University College London’ın baş araştırmacısı Thomas Callender, bu makine öğrenimi modelinin uygulanmasının, akciğer kanseri açısından yüksek risk altındaki bireylerin belirlenmesi sürecini basitleştirebileceğine ve geliştirebileceğine inanıyor. Ancak koruyucu hekimlik ve halk sağlığı alanındaki bazı uzmanlar, modelin sağlık hizmeti ortamında kullanılmasının pratikliği konusunda şüpheci. Çalışmanın akciğer kanseri için bilinen risk faktörleri hakkında halihazırda bilinenlerin ötesinde ek bir değer sağlamadığını savunuyorlar. Ayrıca modelin biyobelirteçler, çevresel etkiler ve işle ilgili faktörler gibi diğer faktörleri de dikkate alması gerektiğini öne sürüyorlar. Bununla birlikte, bu çalışma hastalıkların erken tespiti için kişiselleştirilmiş tarama araçlarının geliştirilmesinde ileri bir adımı temsil etmektedir.
