Анализ электронных медицинских записей при помощи технологий искусственного интеллекта для определения групп скрининга рака легкого: систематический обзор клинических исследований

Введение. Рак легкого (РЛ) занимает 1-е место в структуре онкологической заболеваемости и смертности в мире, а доля впервые выявленных локализованных стадий не превышает 20 % общего числа заболевших. Ранняя диагностика и скрининг могут значительно улучшить результаты лечения, однако современные подходы требуют новых решений для более эффективного отбора пациентов.

Цель. Провести систематический обзор исследований по применению искусственного интеллекта (ИИ) для анализа социально-демографических данных и рутинных лабораторных тестов для отбора пациентов на скрининг. Материалы и методы. Проведен поиск публикаций (2014–2024 гг.) в базах PubMed, ResearchGate, Scopus и др. Включены исследования, анализирующие использование ИИ для прогнозирования риска РЛ на основе социально-демографических данных и медицинских записей.

Результаты. Анализ позволил идентифицировать 5 исследований моделей на основе ИИ, которые были применены для отбора кандидатов на скрининг РЛ. Наиболее часто используемыми факторами в моделях ИИ являлись возраст, стаж курения, хронические заболевания легких и индекс массы тела, а сами модели демонстрировали высокую чувствительность (до 92,7 %) и площадь под кривой рабочей характеристики приемника (до 0,9).

Заключение. Применение ИИ может улучшить точность отбора пациентов для скрининга по сравнению с традиционными методами. Использование ИИ для прогнозирования риска развития РЛ имеет значительный потенциал, дополнительно раскрывающийся при сочетанном анализе социально-демографических данных и медицинских записей. Необходимы дальнейшие исследования для улучшения моделей и оценки их влияния на клиническую практику.

1. Ferlay J., Ervik M., Lam F. et al. Global Cancer Observatory: Cancer Today. Lyon: International Agency for Research on Cancer, 2024. URL: https://gco.iarc.who.int/today.

2. Состояние онкологической помощи населению России в 2023 году. Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. М.: МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 262 с.

3. Злокачественные новообразования в России в 2023 году (заболеваемость и смертность). Под ред. А.Д. Каприна и др. М.: МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 276 с.

4. Toumazis I., Bastani M., Han S.S. et al. Risk-based lung cancer screening: a systematic review. Lung Cancer 2020;147:154–86. DOI: 10.1016/j.lungcan.2020.07.007

5. Koski E., Murphy J. AI in healthcare. Stud Health Technol Inform 2021;284:295–9. DOI: 10.3233/SHTI210619

6. Thong L.T., Chou H.S., Chew H.S.J. et al. Diagnostic test accuracy of artificial intelligence-based imaging for lung cancer screening: a systematic review and meta-analysis. Lung Cancer 2023;176:4–13. DOI: 10.1016/j.lungcan.2022.12.002

7. Hsu Y.C., Tsai Y.H., Weng H.H. et al. Artificial neural networks improve LDCT lung cancer screening: a comparative validation study. BMC Cancer 2020;20(1):1023. DOI: 10.1186/s12885-020-07465-1

8. Chauvie S., De Maggi A., Baralis I. et al. Artificial intelligence and radiomics enhance the positive predictive value of digital chest tomosynthesis for lung cancer detection within SOS clinical trial. Eur Radiol 2020;30(7):4134–40. DOI: 10.1007/s00330-020-06783-z

9. Bach P.B., Kattan M.W., Thornquist M.D. et al. Variations in lung cancer risk among smokers. J Natl Cancer Inst 2003;95(6):470–8. DOI: 10.1093/jnci/95.6.470

10. Tammemägi M.C., Katki H.A., Hocking W.G. et al. Selection criteria for lung-cancer screening. N Engl J Med 2013;368(8):728–36. DOI:10.1056/NEJMoa1211776

11. Katki H.A., Kovalchik S.A., Berg C.D. et al. Development and validation of risk models to select ever-smokers for CT lung cancer screening. JAMA 2016;315(21):2300–11. DOI:10.1001/jama.2016.6255

12. Cheung L.C., Berg C.D., Castle P E. et al. Life-gained-based versus risk-based selection of smokers for lung cancer screening. Ann Intern Med 2019;171(9):623–32. DOI:10.7326/M19-1263

13. Markaki M., Tsamardinos I., Langhammer A. et al. A validated clinical risk prediction model for lung cancer in smokers of all ages and exposure types: a HUNT study. EBioMedicine 2018;31:36–46. DOI: 10.1016/j.ebiom.2022.104187

14. Field J.K., Vulkan D., Davies M.P.A. et al. Liverpool Lung Project lung cancer risk stratification model: calibration and prospective validation. Thorax 2021;76(2):161–8. DOI: 10.1136/thoraxjnl-2020-215158

15. PLCO Lung dataset(s). In: Book PLCO Lung dataset(s). Ed. NIH NCI, 2024. URL: https://cdas.cancer.gov/datasets/plco/21/

16. NLST dataset(s). In: Book NLST dataset(s). Ed. NIH NCI, 2024. URL: https://cdas.cancer.gov/datasets/nlst/

17. Tammemägi M.C., Schmidt H., Martel S. et al. Participant selection for lung cancer screening by risk modelling (the Pan-Canadian Early Detection of Lung Cancer [PanCan] study): a single-arm, prospective study. Lancet Oncol 2017;18(11):1523–31. DOI: 10.1016/S1470-2045(17)30597-1

18. NHIS Data, Questionnaires and Related Documentation. In: Book NHIS Data, Questionnaires and Related Documentation. Ed. CDC, 2024.

19. Marshall R.C., Tiglao S.M., Thiel D. Updated USPSTF screening guidelines may reduce lung cancer deaths. J Fam Pract 2021;70(7):347–9. DOI: 10.12788/jfp.0257

20. Wang X., Zhang Y., Hao S. et al. Prediction of the 1-year risk of incident lung cancer: prospective study using electronic health records from the State of Maine. J Med Internet Res 2019;21(5):e13260. DOI: 10.2196/23586

21. Yeh M.C., Wang Y.H., Yang H.C. et al. Artificial intelligencebased prediction of lung cancer risk using nonimaging electronic medical records: deep learning approach. J Med Internet Res 2021;23(8):e26256. DOI: 10.2196/33519

22. Chandran U., Reps J., Yang R. et al. Machine learning and real-world data to predict lung cancer risk in routine care. Cancer Epidemiol Biomarkers Prev 2023;32(3):337–43. DOI: 10.1158/1055-9965.EPI-22-0873

23. Levi M., Lazebnik T., Kushnir S. et al. Machine learning computational model to predict lung cancer using electronic medical records. Cancer Epidemiol 2024;92:102631. DOI: 10.1016/j.canep.2024.102649

24. Zhang S., Yang L., Xu W. et al. Predicting the risk of lung cancer using machine learning: A large study based on UK Biobank. Medicine (Baltimore) 2024;103(16):e37879. DOI: 10.1097/MD.0000000000037879