Etwa 35 % aller Krebserkrankten entwickeln chronische Schmerzen. Diese beeinträchtigen die Lebensqualität und erschweren möglicherweise notwendige Therapien. Expert:innen um Prof. Dr. Jung In Park von der Sue & Bill Gross School of Nursing, University of California, Irvine, trainierten nun einen Deep-Learning-Algorithmus darauf, das Drei-Jahres-Risiko bei Brustkrebspatient:innen vorherzusagen.

Sie nutzten retrospektiv Daten von 1.131 Betroffenen mit Mammakarzinomen aus dem „All of Us“-Programm des NIH*. Diese umfassten u. a. demografische Informationen, weitere Diagnosen im zeitlichen Verlauf, sozioökonomische Faktoren und Patient-Reported Outcomes. 199 Personen (17,59 %) hatten in den drei Jahren nach der Diagnose chronische Schmerzen entwickelt oder eine Verschlechterung bestehender Beschwerden erfahren.

Hohe Genauigkeit, moderate Sensitivität

70 % der Datensätze dienten zum Training der KI, 5 % zur Validierung und 25 % zur Beurteilung der Leistung. Das entstandene Modell erreichte eine Accuracy (Anteil zutreffender Vorhersagen) von 72,8 %, eine Sensitivität von 68,4 % und eine AUROC** von 82,0 %. Nach Ansicht der Entwickler:innen ist es damit in der Lage, die meisten positiven Fälle effektiv zu identifizieren, ohne zu viele falsch-negative Befunde zu liefern.

Die Wissenschaftler:innen werteten auch die Gewichtung verschiedener Merkmale im entstandenen Algorithmus aus. Unter den demografischen Faktoren galt das Diagnosealter als am relevantesten. Eine ärztlich dokumentierte Depression ging oft mit chronischen Schmerzen einher. Zudem schien ein vorausgegangenes oder komorbides weiteres Malignom mit dem Risiko zu korrelieren. Ähnliches galt für bestimmte Infektionen. 

Die Autor:innen sehen ihre KI als Fortschritt auf dem Weg dahin, chronische Schmerzen bei Brustkrebserkrankten vorherzusagen und personalisiert anzugehen. Zukünftig müsse man noch weitere Faktoren wie Medikationen und Genetik einbeziehen. Außerdem sollten kommende Versionen des Algorithmus eine demografisch und ethnisch heterogenere Population berücksichtigen.

*    National Institutes of Health
** Area Under The Receiver Operating Characteristic Curve

Quellen:
Park JI et al. J Nurs Scholarsh 2024; DOI: 10.1111/jnu.13009