用人工智能预测癌症死亡!建议采用预测模型来改善生命末期的预后!

医疗 19/05/2022

三个要点
✔️ 随着人口的老龄化，癌症的临终关怀--为确保病人的剩余生命得到安宁而提供的关怀--正引起越来越多的关注，生存预测也变得越来越重要。
✔️ 本研究根据可穿戴设备的活动数据，在长短期记忆--长短期模块：LSTM--模型的基础上建立了一个预测生命末期院内死亡的模型。
✔️ 评估利用了卡诺夫斯基表现状况--KPS--得分的总体预后准确性，结果得分为0.83分。

Deep-Learning Approach to Predict Survival Outcomes Using Wearable Actigraphy Device Among End-Stage Cancer Patients
written by Tien Yun Yang, Pin-Yu Kuo, Yaoru Huang, Hsiao-Wei Lin, Shwetambara Malwade, Long-Sheng Lu, Lung-Wen Tsai, Shabbir Syed-Abdul, Chia-Wei Sun, Jeng-Fong Chiou
(Submitted on 9 Dec 2021)
Comments: Front Public Health

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

背景

可穿戴设备能预测生存吗？

这项研究的目的是在使用可穿戴设备和LSTM的基础上，为癌症引起的院内死亡开发一个预测模型。

近年来，越来越多的癌症患者的生存预测在临终关怀的临床实践中越来越重要--能够为生命的结束做准备，避免徒劳的医疗，提供最佳的姑息治疗。已经提出了各种评分作为这种护理的预后工具：姑息性预后评分-PaP-，姑息性预后指数-PPI-，等等。这些分数结合了主观的临床参数和客观的生物标志物，以病人的表现状态--活动度（PS）--为主要组成部分：作为PS的评估工具。另一方面，这些评估工具是主观的，需要经过适当培训的医护人员--因此存在诸如观察者内部和相互之间的差异、过度和不足等挑战。评估过度和评估不足，以及其他挑战已被确认。

在这种情况下，可穿戴设备作为一种客观的评估方法正在吸引人们的注意--这些设备不断地记录病人的活动状态，也可以客观地进行核实。利用这一技术，对晚期癌症患者进行客观的PS评估的例子已经被报道；然而，利用客观的PS数据来预测生存预后的研究还没有被报道。

在这项研究中，使用可穿戴设备客观地测量了癌症晚期患者的活动状况--对可穿戴设备记录的活动数据进行了分析，并建立了一个预测模型，以提示患者的生存结果。此外，拟议的活动监测和生存预测模型的预后准确性与目前的PS评估工具KPS进行了比较，也与PPI进行了比较。

什么是可穿戴设备？

首先，对作为本研究分析对象的可穿戴设备进行了简要描述。

可穿戴设备是对实际由主体穿戴的信息设备的总称。可穿戴的意思是可穿戴的或可佩戴的，有腕带/手表和眼镜类型。由于这些设备实际上可以穿戴，它们可以用于日常生活的许多方面，从运动到洗澡和睡觉--它们对记录运动，如慢跑和游泳，以及捕捉健康信息，如心率、脉搏和睡眠时间都很有效。该研究还在调查此类设备在健康信息领域的应用。在这项研究中，利用戴在手腕上的腕带式装置来获取数据。

技术

本节介绍了本研究中使用的数据集、提议的模型和分析方法。

数据集

该研究在台北医科大学附属医院的安宁疗护病房进行。患有绝症的病人被送入病房接受姑息治疗，并对疼痛和其他症状进行管理。招募后收集了包括年龄、性别、诊断和合并症在内的临床数据，受试者在手上佩戴腕带式可穿戴设备，没有静脉注射线：该设备每秒钟收集手部运动的三维数据--重力加速度、角度变化和自旋变化，并将其转换成三个统计参数：身体活动、角度和自旋它将数据转换为三个统计参数--由于设备不防水，受试者在整个住院期间都戴着设备，除了淋浴时间。

然后由两位专家通过KPS/PPI进行预后评估：KPS是一个为PS评估而设计的成熟工具，它考虑了行走、活动、疾病证据、自我护理、需要帮助和疾病进展，并评估了正常活动（100）到死亡（0）。通过评估PS和其他临床症状，还进行了一个综合预后工具--PPI：PPI考虑到PS和临床症状，如口腔摄入、水肿、休息时呼吸困难和谵妄，以计算总体预后。分数范围从0到15，PPI>6.0估计为存活时间少于3周。为了确保人际关系的一致性，所有的KPS和PPI评估都由同一位专家进行。

数据预处理和LSTM模型

可穿戴设备收集的数据是具有三个特征的时间序列数据--身体活动、角度和旋转。数据长度的变化是通过零填充来纠正的，直到时间序列的最大长度。为了避免梯度损失，选择了20个时间步数的平均值，并将时间序列缩短到<500个时间步数。

在这项研究中，LSTM被用来建立一个模型来预测病人出院时的临床状况--死亡或稳定状态下出院--见下图。

x和h分别表示LSTM单元的输入和输出值，每个LSTM单元的存储单元值为c，下标x、h和c表示不同的时间点。每个LSTM单元都有一个输入门、一个遗忘门和一个输出门：输入门决定神经元是否将输入值写入记忆单元；输出门决定神经元是否读取记忆单元中的值。双曲正切函数-tanh-和sigmoid函数-σ-被用作LSTM的激活函数。在这项研究中，使用LSTM细胞建立了一个预测模型来处理三维时间序列数据--见下图。

该模型由一个LSTM层、一个TimeDistributed层和其他调整参数的层组成。该模型旨在仅根据病人的活动数据生成生存预测，而病人的人口和临床数据--即合并症--不被模型所利用。

参与者的临床结果由住院期结束时的死亡（1）或稳定出院（0）决定。KPS和PPI的临界值分别为以往研究中的50%和6.0。KPS和PPI的预测准确性被研究为敏感性、特异性、总体准确性、ROC曲线下面积-AUC-等，进行了调查。

结果。

本节介绍了本研究中的评价结果。

KPS和PPI的预后准确性。

首先，定义了KPS和PPI评估的真阳性、假阳性、假阴性和真阴性的绝对数量：其中，真阳性被定义为基线咨询时KPS<50%或PPI>6.0以及住院结束时死亡。KPS评分的预测性能为83.1%的总体预测准确性，83.1敏感性82.1%，特异性83.9%，AUC 0.902--见下图。基于二元结果的PPI评分的预测性能为95.0%的总体预测准确性，88.9%的敏感性和AUC 0.960。

学习LSTM生存预测模型。

基于入院48小时内记录的活动数据的初步模型，训练数据集的准确性为0.8667，测试数据集的准确性为0.7143。混淆矩阵--见下图--分别显示了有规范化和无规范化的混淆矩阵。在测试数据集中，模型的敏感性、特异性和AUC分别为0.8333、0.625和0.7292。

这些结果证明了LSTM在对没有生理信息的可穿戴设备收集的时间序列数据进行分类的可行性。此外，数据集被切成训练、验证和测试数据，并使用适当的参数创建了最终模型。结果，训练准确率提高到0.9667，而验证和测试准确率分别为0.75和0.8333；将LSTM单元的数量从64个增加到256个，显著提高了模型在测试数据集上的表现：模型的灵敏度、特异性和AUC均为1.0，分别为0.6667和0.8333--见下图。

考虑

在这项研究中，提出了一个基于可穿戴设备的预测模型来预测晚期癌症患者的生存率--在可穿戴设备的客观活动数据上实施LSTM，与主观的PS评估相比较，显示出较高的预后准确性。.本研究中采用的可穿戴设备被证实是轻便、廉价的，并且能够为晚期癌症患者的生存预测提供有用的活动数据。这些结果表明，在临终关怀中引入可穿戴设备和生存预测模型可以促进临床实践中的决策，并为患者提供更好的临终准备。

传统的预后工具--如PPI--所面临的挑战是它们依赖于临床医生的经验；相比之下，拟议的模型--活动监测和生存预测模型--不需要临床专业知识，只需使用一个可穿戴的腕带：因此，拟议的模型减轻了临床环境中医护人员的负担，在医院之外提供临终关怀，如家庭临终关怀服务。相比之下，拟议的模型--活动监测和生存预测模型--不需要临床专业知识，只需使用一个可穿戴的腕带：因此，拟议的模型减轻了临床环境中医护人员的负担，促进了在非医院环境中提供临终关怀的可能性，如家庭安宁疗护。还可以推断出，通过将活动评估和临床参数整合到生存预测模型中，可以实现更好的预后。

另一方面，这项研究的挑战可能包括：首先，存在数据的不连续性--由于电池充电的要求，还有在淋浴时取下设备的事实--从而使设备防水并更好地活动追踪设备；其次，它们是为了在住院结束时提供病人的结果--即死亡或在稳定的情况下出院。根据现场的研究结果，无论最终的生存结果如何，参与者之间的生存时间都是不同的--而拟议的模型只包括二元生存结果，不包括估计的生存时间：因此，需要额外的分析来包括这些临床结果。