Skrining kanker paru-paru untuk perokok atau mantan perokok dan orang lain yang berisiko tinggi terkena kanker paru-paru mengurangi kematian akibat kanker paru-paru, tetapi saat ini program skrining ini hanya menangkap sebagian kecil individu yang dapat memperoleh manfaat.
Sybil bisa membantu, kata peneliti.
Sybil adalah model pembelajaran mendalam tervalidasi yang memprediksi risiko kanker paru-paru di masa depan berdasarkan pemindaian CT (LDCT) dosis rendah tunggal, jelas mereka.
Model ini dikembangkan menggunakan lebih dari 12.000 pemindaian LDCT dari National Lung Screening Trial (NLST) dan divalidasi dalam kumpulan data independen dari NLST, Rumah Sakit Umum Massachusetts (MGH), dan Rumah Sakit Memorial Chang Gung (CGMH).
Sybil mencapai area di bawah kurva penerima-operator sebesar 0,92, 0,86, dan 0,94 untuk prediksi kanker paru-paru pada 1 tahun masing-masing pada kumpulan data NLST, MGH, dan CGMH. Indeks konkordansi selama 6 tahun masing-masing adalah 0,75, 0,81, dan 0,80, lapor rekan peneliti pertama Peter G. Mikhael dan Jeremy Wohlwend, keduanya dari Massachusetts Institute of Technology, Cambridge.
Temuan ini dipublikasikan secara online pada 12 Januari di Journal of Clinical Oncology.
Temuan ini menunjukkan bahwa Sybil secara akurat memprediksi risiko kanker paru-paru di masa depan dari satu LDCT, menurut para peneliti, yang mencatat bahwa Sybil mampu meramalkan risiko kanker paru-paru jangka pendek dan jangka panjang pada set tes NLST dan mempertahankan akurasi di berbagai kumpulan data pasien.
“Berdasarkan hasil awal kami, salah satu aplikasi klinis yang potensial adalah menggunakan Sybil untuk mengurangi pemindaian lanjutan atau biopsi di antara pasien dengan nodul yang berisiko rendah,” mereka menyimpulkan.
Selain itu, kasus anekdot yang disebutkan dalam penelitian tersebut “memicu perenungan tentang apakah Sybil dapat dimanfaatkan untuk mengurangi interval tindak lanjut atau meningkatkan prioritas oleh navigator pasien dan alat lain untuk memastikan mereka yang berisiko paling tinggi diikuti paling dekat,” catat mereka.
Namun, mereka mengakui bahwa “[t]Manfaat dari intervensi semacam itu akan memerlukan konfirmasi dalam uji klinis prospektif.”
Namun, pertama-tama, perlu “mendapatkan kepercayaan” bahwa model tersebut dapat digeneralisasikan, karena 92% pasien dalam kumpulan data pengembangan NLST berkulit putih, kata mereka.
Dalam tajuk rencana pendamping, dua ahli mengeksplorasi potensi Sybil untuk mempercepat implementasi skrining kanker paru-paru secara luas. Editorialisnya adalah Gerard A. Silvestri, MD, dari Medical University of South Carolina, Charleston, dan James R. Jett, MD, Emeritus, National Jewish Health, Denver, dan Biodesix, Inc, Boulder.
Mereka menunjukkan bahwa dua uji coba besar telah menunjukkan bahwa skrining mengurangi kematian akibat kanker paru-paru — sebesar 20% di NLST di Amerika Serikat dan sebesar 24% pada uji coba skrining kanker paru-paru Belanda-Belgia NELSON di Eropa. Temuan ini menyebabkan perubahan dalam pedoman skrining dan fokus yang lebih besar pada penerapan program skrining.
Namun, sejauh ini, “berita implementasinya beragam,” komentar mereka.
Kabar baiknya adalah lebih dari 90% orang yang menjalani pemeriksaan memenuhi kriteria kelayakan, menurut analisis dari 1 juta orang pertama yang diperiksa di Amerika Serikat.
Kabar buruknya adalah hanya sekitar 6% dari populasi yang memenuhi syarat yang diskrining, tingkat skrining hampir sama sejak 2019, dan hanya 22% orang yang memenuhi syarat untuk skrining tahunan berulang yang telah menerimanya, kata mereka.
Yang lebih mengkhawatirkan lagi, sebuah studi baru-baru ini menemukan bahwa pada pasien dengan temuan abnormal/mencurigakan pada skrining LDCT mereka, tes tindak lanjut hanya terjadi pada 42% pasien, menunjukkan kemungkinan keterlambatan diagnosis yang mungkin mengakibatkan pasien yang akan memiliki memiliki penyakit stadium awal yang dapat dioperasi didiagnosis dengan kanker stadium lanjut dan hasil yang lebih buruk,” tambah mereka.
Sybil dapat membantu mengubahnya. Model tersebut mewakili “langkah pertama yang penting menuju pendekatan presisi untuk skrining kanker paru-paru,” catat Silvestri dan Jett, mengutip kinerja model yang “luar biasa”.
Dari perspektif praktis, temuan ini penting karena “model tersebut tidak memerlukan demografi pasien, faktor risiko atau identifikasi manual, dan karakterisasi nodul, yang masing-masing membutuhkan waktu dan keahlian, membatasi penggunaan praktis dari beberapa yang lain. [deep learning] model,” tulis mereka.
Satu keuntungan dengan Sybil adalah bahwa “[i]n teori, kode model dapat dijalankan secara real time di latar belakang setiap stasiun membaca radiologi dan bertindak sebagai pembaca kedua.”
“Kedua, setelah evaluasi prospektif, seseorang dapat membayangkan model ini digunakan untuk meningkatkan kepatuhan pada tindak lanjut pada mereka yang modelnya menunjukkan kemungkinan tinggi perkembangan kanker di masa depan,” tambah mereka.
Model ini juga dapat mengurangi pemeriksaan yang tidak perlu dan pengujian invasif dan, dengan pengujian tambahan, mungkin memiliki kemampuan untuk mengidentifikasi pasien dengan risiko kanker paru-paru rendah yang akan mendapat manfaat dari perpanjangan interval antara skrining atau penghentian skrining dan mengidentifikasi kelompok berisiko yang saat ini tidak melakukannya. memenuhi kriteria skrining.
Yang terakhir adalah “kemungkinan yang menarik karena hampir setengah dari kanker paru-paru yang didiagnosis di Amerika Serikat saat ini tidak memenuhi syarat untuk skrining,” catat para editorialis.
“Memahami siapa yang benar-benar akan mendapat manfaat dari teknologi ini akan membutuhkan investasi yang jauh lebih besar dalam studi prospektif yang menargetkan kelompok dengan profil risiko yang berbeda. Untuk itu, penulis dengan murah hati menawarkan untuk memberikan kode model kepada peneliti lain untuk memvalidasi kegunaan atau keterbatasan model. . Harapan kami adalah penyelidik di seluruh dunia akan menindaklanjutinya,” kata mereka.
Penelitian Sybil didukung oleh Bridge Project, MIT Jameel-Clinic, Quanta Computing, Stand Up To Cancer, dan Massachusetts General Hospital Center for Innovation in Early Cancer Detection, termasuk dukungan dari Bralower and Landry Families, dan Upstage Lung Cancer . Pendanaan juga disediakan oleh Eric and Wendy Schmidt Center di Broad Institute of MIT dan Harvard. Mikhael melaporkan peran konsultasi atau penasehat untuk Outcomes4Me, dan Wohlwend dilaporkan tidak memiliki pengungkapan. Silvestri melaporkan hubungan dengan AstraZeneca, Olympus Medical Systems, Biodesix, AstraZeneca/Daiichi Sankyo, Seer, dan Amgen. Jett dipekerjakan oleh dan memiliki saham dan kepentingan kepemilikan lainnya di Biodesix.
J Clinic Oncol. Makalah diterbitkan online 12 Januari 2023; editorial diterbitkan online 3 Februari.
Sharon Worcester, MA, adalah jurnalis medis pemenang penghargaan yang tinggal di Birmingham, Alabama, menulis untuk Medscape, MDedge, dan situs afiliasi lainnya. Dia saat ini meliput onkologi, tetapi dia juga menulis tentang berbagai spesialisasi medis dan topik perawatan kesehatan lainnya. Dia bisa dihubungi di [email protected] atau di Twitter: @SW_MedReporter
Untuk berita lebih lanjut, ikuti Medscape di Facebook, Twitter, Instagram, dan YouTube