Onkologische Patientinnen fürchten häufig die Nebenwirkungen einer systemischen Krebstherapie, die auch die Behandelnden oft vor Herausforderungen stellen. Das individuelle Risiko für therapiebedingte Toxizitäten bereits vor Behandlungsbeginn vorhersagen zu können, wäre daher ein großer Fortschritt in der Praxis.
Eine deutsch-amerikanische Studiengruppe um Cai et al. entwickelte maschinelle Lernalgorithmen zur Vorhersage von Toxizität des Grades III oder IV (Anämie, Neutropenie, Abweichung der Leberenzyme, Nephrotoxizität, Thrombopenie, Elektrolytstörungen oder Neuropathie). Die Vorhersagen der Algorithmen wurden mit den dokumentierten Toxizitätsereignissen verglichen, dazu wurde das Gesamtkollektiv in 2 Gruppen geteilt (Algorithmus-Kohorte: n = 432, Validierungskohorte: n = 158). Eine Toxizität der Schweregrade III oder IV wiesen 55,8 % der Patientinnen auf. Die diagnostische Leistung verbesserte sich signifikant, wenn zu den Patientinnen- und Tumorvariablen referenzierte Behandlungsinformationen hinzugefügt wurden (p = 0,02).
Die Autorengruppe kommt abschließend zu dem Ergebnis, dass sich das individuelle Risiko einer behandlungsrelevanten Toxizität mithilfe von Algorithmen des maschinellen Lernens genau vorhersagen lässt. Nach ihrer Ansicht ist dies eine vielversprechende Option, die Wirksamkeit einer systemischen Krebsbehandlung zu verbessern und Toxizitäten zu reduzieren. Man darf gespannt sein, wann solche Entwicklungen in den Tumorzentren und Praxen Einzug halten.
Wissenschaftliche Sitzung „KI in der Senologie – wohin geht die Reise?“, Abstract #0010
