„Wyniki te sugerują potencjalną użyteczność kliniczną tego algorytmu w celu skorygowania prawdopodobieństwa wystąpienia raka wśród IPN mających na celu zmniejszenie procedur inwazyjnych i skrócenie czasu do diagnozy” – powiedział Pierre Massion, Cornelius Vanderbilt Chair in Medicine na Vanderbilt University, główny autor badania.
Obecnie klinicyści odnoszą się do wytycznych wydanych przez American College of Radiology i American College of Chest Physicians. Przestrzeganie tych wytycznych może być różne, a sposób klasyfikacji przypadków pacjentów może być subiektywny. W celu zapewnienia klinicystom obiektywnego narzędzia oceny, naukowcy opracowali algorytm oparty na zestawach danych z krajowej próby przesiewowej płuc, Vanderbilt University Medical Center i Oxford University Hospital. Ich badanie jest pierwszym, które sprawdza poprawność narzędzia stratyfikacji ryzyka w wielu niezależnych kohortach i wykazuje skuteczność przeklasyfikowania znacznie przewyższającą istniejące modele ryzyka.
Sztuczna inteligencja i jej wady
W przypadku IPN klinicyści często stają przed dylematem polegającym na rozważeniu, czy doradzić pacjentowi poddanie się inwazyjnemu zabiegowi chirurgicznemu, który może być niepotrzebny, wbrew strategii obserwowania i oczekiwania, co może skutkować opóźnieniem wymaganego leczenia raka. Ostateczna diagnoza IPN może potrwać do dwóch lat.
Klinicyści potrzebują lepszych narzędzi oceny, ponieważ badania przesiewowe u pacjentów zagrożonych rakiem płuc wzrosną. Rak płuc jest główną przyczyną zgonów związanych z rakiem w Stanach Zjednoczonych i na całym świecie. Całkowity pięcioletni wskaźnik przeżycia wynosi 21,7%, ale jest znacznie większy (92%) u tych pacjentów, którzy wcześnie zdiagnozowali niedrobnokomórkowego raka w stadium IA1.
Trzeba jednak zachować pewną ostrożność. Skany tomografii komputerowej mogą również prowadzić do nadmiernego lub niepotrzebnego leczenia, gdy podejrzane guzki okażą się łagodne.
Czytaj też:
Rak tarczycy. 6 czynników, które zwiększają ryzyko zachorowania