Machine Learning in der Onkologie – Perspektiven in der Patient-Reported-Outcome-Forschung

Abstract

Zusammenfassung Hintergrund Steigende Datenmengen in der Onkologie stellen neue Herausforderungen an die Analyse. Machine Learning ist ein Teilbereich der künstlichen Intelligenz und kann auch in sehr großen und weniger strukturierten Datensätzen Zusammenhänge erkennen. Ziel der Arbeit Der Artikel vermittelt einen Überblick zu den Einsatzbereichen von Machine Learning in der Onkologie. Weiterhin wird das Potenzial von Machine Learning für die Patient-Reported-Outcome (PRO) Forschung diskutiert. Material und Methoden Selektive Literaturrecherche (PubMed, MEDLINE, IEEE Xplore) und Diskussion des aktuellen Stands der Forschung. Ergebnisse In der Onkologie ergeben sich drei primäre Einsatzbereiche für Machine Learning: (1) zur Krebserkennung oder Klassifikation bei bildgebenden Verfahren, (2) zur Prognose von Gesamtüberleben oder zur Risikoeinschätzung, (3) zur Unterstützung bei Behandlungsentscheidungen und zur Vorhersage von Therapieansprechen. In der onkologischen PRO-Forschung und Praxis werden bisher kaum Machine-Learning-Ansätze verfolgt und es gibt nur wenige Studien, welche PRO-Daten in Machine-Learning-Modelle integrieren. Diskussion Machine Learning zeigt in einigen Bereichen der Onkologie vielversprechende Anwendungsmöglichkeiten, jedoch schaffen wenige Modelle den Sprung in die klinische Praxis. Die Versprechen von einer personalisierten Krebstherapie und von Unterstützung bei der Behandlungsentscheidung durch Machine Learning haben sich noch nicht erfüllt. Als ein Bereich, der in der Onkologie stetig an Bedeutung gewinnt, sollten PRO auch in Machine-Learning-Ansätze aufgenommen werden. Dazu sind jedoch die breite, standardisierte Erfassung von PRO sowie die umfassende Harmonisierung bestehender Datensätze nötig.

Ähnliche Arbeiten