许多癌症患者直到病情发展得太快时才有机会讨论他们的治疗愿望，那时与亲人或医生进行讨论可能为时已晚。现在，由Penn Medicine领导的团队已开发出一种算法，该算法可标记出将从与他们的生命终点和愿望有关的及时对话中受益最大的患者，以期尽早开始对话。

在一项最新研究中-今天在JAMA Network Open上发表同时在加利福尼亚州旧金山举行的美国临床肿瘤学会(ASCO)肿瘤学支持治疗研讨会上进行了介绍-研究人员发现，被该算法标记为“高优先级”的患者中有51%的患者在随后的六个月内死亡他们的评价，而“低优先级”组的评价不到4%。这些发现表明，该算法可以准确地捕获那些将从有关其目标，价值观和医疗偏好的及时讨论中受益最大的患者。

这项研究被认为是(如果不是首次)研究针对肿瘤患者的机器学习算法的应用。

该研究的主要作者，大学医学伦理与健康政策讲师拉维·帕里克(Ravi Parikh)表示：“在任何一天，要确定我的诊所中哪些患者将从积极的高级护理计划对话中受益最大，这实际上是非常困难的”宾夕法尼亚州立大学(Michael Pennsylvania)和下士Michael J. Crescenz VA医疗中心的内科医生。“患者除非得到提示，否则通常不会提出自己的愿望和目标，而且医生可能没有时间在繁忙的诊所里这样做。拥有这样的算法可能会使诊所的医生停下来并想，'是这样吗?是时候讨论这位患者的喜好了?'”

研究人员对宾夕法尼亚大学卫生系统内两家医院接受门诊肿瘤治疗的26,525名患者应用了三种不同的预测模型。每个使用的信息通常可以在患者的电子健康记录中获得：人口统计特征(例如性别和年龄)，标准合并症数据(例如患者是否患有高血压)以及实验室和心电图数据。

与其他机器学习技术(例如“梯度增强”和“逻辑回归”)相比，该研究团队构建的“随机森林模型”得出了最佳的预测结果：大约一半的高危患者在六个月内死亡大约一年半后，几乎65%的人死亡(相比之下，低风险患者的这一比例为7.6%)。在对15位肿瘤学家进行调查时，他们同意该算法确定为“高风险”的60%的患者绝对适合立即就其意愿进行对话。

该算法是在宾夕法尼亚大学医学研究人员的帮助下创建的，该团队还出于类似目的开发了另一种算法，称为Palliative Connect。该系统用于触发与姑息治疗人员的咨询，最近被发现特别有效，将咨询数量提高了74%。但是由帕里克(Parikh)领导的这项研究的不同之处在于，该研究的目标是在门诊病人中增加患者与肿瘤学家之间的对话。

Parikh说：“我们对这种决策支持方法的可扩展性感到兴奋，这不仅适用于肿瘤学领域，而且还适用于提供商。”“我们使用机器学习实时标记高危患者的过程广泛适用，并且我们的方法以一种我们以前从未使用过的可用方式对患者进行风险分层。”