Ανάπτυξη ευφυούς συστήματος υποστήριξης κλινικής απόφασης για την έγκαιρη διάγνωση και την εξατομικευμένη διαχείριση γυναικών που βρίσκονται σε κίνδυνο ανάπτυξης καρκίνου του μαστού

Abstract

Women population screening using mammography has dramatically reduced breast cancer rates worldwide. Nowadays, in many countries, the prevention of breast cancer policy is based on frequent and repeated mammographies, followed by breast ultrasound and, if necessary, by histological examination in the biological material of the biopsy. However, evaluating mammography findings is considered as a difficult process which can be properly performed only by a highly experienced and well-trained medical staff. Subsequently, the interpretation of the findings could be easily influenced by subjective factors and therefore can be prone to diagnostic errors as evidenced in the present study. Breast MRI (Magnetic Resonance Imaging), is a diagnostic practice indicated in cases of high breast density and at the same time, a high-cost examination for healthcare systems. Furthermore, genetic testing that is used to diagnose hereditary breast cancer, represents a small proportion of breast cancers and at the same time it is a high-cost specialized test. Even the most widely used biopsy, Fine Needle Aspirate (FNA), in some cases involves risks and produces false negative results. Considering the aforementioned facts, this study presents the development of AI (Artificial Intelligence) - based models and the creation of a Clinical Decision Support System (CDSS) for the early diagnosis and personalized management of women at risk of developing breast cancer. These models are based on non-invasive medical data collected during daily clinical practice at the Breast Center of the General Hospital "Elena Venizelou", as well as on data from women’s personal medical health records. Therefore, we demonstrate a tool, which, by combining the results of non-invasive and low-cost diagnostic tests and the medical health record, will be easy to use by clinicians on a daily basis and at the same time cost-effective for the health systems. Using feature selection techniques and machine learning tools, we found that the Random Forest (RF) classifier showed the highest values of accuracy (95.9%), sensitivity (96.5 %), NPV (95%), Youden’s index (0.92) και F1 score (0.97), proving to be an effective algorithm in the development of our innovative CDSS. The proposed CDSS aims to be a sustainable and cost-effective solution for national healthcare systems as it can contribute to a significant cost reduction in terms of personalized management of women at risk of developing breast cancer, while achieving a remarkable increase in the validity of diagnosis.

Ο πληθυσμιακός έλεγχος με τη χρήση μαστογραφίας έχει μειώσει δραματικά τα ποσοστά καρκίνου του μαστού παγκοσμίως. Σε πολλές χώρες η πρόληψη του καρκίνου του μαστού βασίζεται σε συχνές και επαναλαμβανόμενες μαστογραφίες, ακολουθούμενες από υπερηχογράφημα μαστών και, εάν είναι απαραίτητο, από ιστολογική εξέταση στο βιολογικό υλικό της βιοψίας. Όπως έχει διαπιστωθεί από τη μελέτη της διεθνούς βιβλιογραφίας, η μαστογραφία είναι μια εξέταση με σχετικά χαμηλή διαγνωστική απόδοση, τόσο σε επίπεδα ευαισθησίας όσο και σε επίπεδα ειδικότητας. Είναι γεγονός ότι η ερμηνεία των μαστογραφικών ευρημάτων επηρεάζεται από υποκειμενικούς παράγοντες και είναι επιρρεπής σε διαγνωστικά σφάλματα, όπως αποδεικνύεται στην παρούσα μελέτη. Η μαγνητική τομογραφία μαστού, είναι μια διαγνωστική πρακτική που, παρ’ ότι θεωρείται υψηλής διαγνωστικής ακρίβειας, ενδείκνυται σε περιπτώσεις υψηλής πυκνότητας μαστού καθώς πρόκειται για μια εξέταση υψηλού κόστους για τα συστήματα υγειονομικής περίθαλψης. Επιπλέον, ο γενετικός έλεγχος χρησιμοποιείται για τη διάγνωση του κληρονομικού καρκίνου του μαστού, ο οποίος όχι μόνο αντιπροσωπεύει ένα μικρό ποσοστό των περιπτώσεων (5 - 10% του συνόλου των καρκίνων μαστού), αλλά αποτελεί και μια εξειδικευμένη εξέταση υψηλού κόστους. Ακόμα και η ευρέως χρησιμοποιούμενη βιοψία με λεπτή βελόνα αναρρόφησης (Fine Needle Aspiration - FNA), σε ορισμένες περιπτώσεις ενέχει κινδύνους και παράγει ψευδώς αρνητικά αποτελέσματα. Λαμβάνοντας υπόψη τα προαναφερθέντα στοιχεία, η παρούσα διδακτορική διατριβή παρουσιάζει την ανάπτυξη μοντέλων βασισμένων στην Τεχνητή Νοημοσύνη και τη δημιουργία ενός Συστήματος υποστήριξης κλινικής απόφασης (Clinical Decision Support System - CDSS), με σκοπό την έγκαιρη διάγνωση και την εξατομικευμένη διαχείριση των γυναικών που βρίσκονται σε κίνδυνο ανάπτυξης καρκίνου του μαστού. Η ανάπτυξη των μοντέλων αυτών βασίζεται σε μη επεμβατικά ιατρικά δεδομένα που συλλέγονται κατά την καθημερινή κλινική πρακτική στο Κέντρο Μαστού του Γενικού Νοσοκομείου «Έλενα Βενιζέλου», καθώς και σε δεδομένα του προσωπικού ιατρικού φακέλου των γυναικών του Κέντρου Μαστού. Ως εκ τούτου, παρουσιάζουμε ένα εργαλείο, το οποίο μέσω του συνδυασμού των αποτελεσμάτων μη επεμβατικών και χαμηλού κόστους εξετάσεων και του ιατρικού φακέλου υγείας των γυναικών, θα είναι εύκολο στην καθημερινή χρήση του από τους κλινικούς ιατρούς και ταυτόχρονα θα είναι οικονομικά αποδοτικό για τα συστήματα υγείας. Χρησιμοποιώντας τις τεχνικές επιλογής χαρακτηριστικών και τα εργαλεία της μηχανικής μάθησης, διαπιστώσαμε ότι ο ταξινομητής Random Forest (RF) έδειξε τις υψηλότερες τιμές στα μέτρα της ακρίβειας (95,9%), ευαισθησίας (96,2%), NPV (95%), Youden’s index (0,92) και F1 score (0,97), αποδεικνύοντας την καταλληλότητά του για τη δημιουργία του καινοτόμου CDSS καθώς προσφέρει εξαιρετικά χαμηλά ποσοστά ψευδώς αρνητικών και ψευδώς θετικών αποτελεσμάτων και εντοπίζει με πολύ μεγάλη επιτυχία τα πραγματικά θετικά περιστατικά (ασθενείς). Το προτεινόμενο CDSS στοχεύει να αποτελέσει μια βιώσιμη και οικονομικά αποδοτική λύση για τα εθνικά συστήματα υγειονομικής περίθαλψης αφού μπορεί να συμβάλει σε σημαντική μείωση του κόστους όσον αφορά στη διαχείριση των γυναικών που κινδυνεύουν να αναπτύξουν καρκίνο του μαστού, επιτυγχάνοντας παράλληλα αξιοσημείωτη αύξηση της εγκυρότητας της διάγνωσης.