nach oben

Die Chirurgie

Erschienen in:

10.05.2024 | Künstliche Intelligenz | Leitthema

Ein Blick in die Nachbardisziplin: eHealth in der Onkologie

verfasst von: Friedrich Overkamp

Erschienen in: Die Chirurgie | Ausgabe 6/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die Digitalisierung verändert das gesamte Gesundheitssystem dramatisch. Schlagworte wie künstliche Intelligenz, elektronische Patientenakte (ePA), elektronisches Rezept (eRp), Telemedizin, Wearables, Augmented Reality oder digitale Gesundheitsanwendungen (DiGA) stehen für die bereits stattfindende digitale Transformation. Digital wird real! Der folgende Überblick skizziert den Stand der Forschung und Entwicklung, aktuelle Planungen und bereits laufende Nutzungen digitaler Tools in der Onkologie in der ersten Hälfte des Jahres 2024. Die Möglichkeiten der Nutzung von künstlicher Intelligenz und der Einsatz von DiGAs in der Onkologie werden in dieser Übersicht entsprechend ihrem Entwicklungsstand etwas ausführlicher dargestellt, da sie in der Onkologie bereits einen erkennbaren Nutzen zeigen.

Cellina M et al (2022) Artificial intelligence in lung cancer imaging: unfolding the future. Diagnostics 12(11):2644. https://doi.org/10.3390/diagnostics12112644CrossRefPubMedPubMedCentral

Esteva A, Kuprel B, Novoa R et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115–118. https://doi.org/10.1038/nature21056CrossRefPubMedPubMedCentral

Chen S et al (2023) Deep learning-based pathology signature could reveal lymph node status and act as a novel prognostic marker across multiple cancer types. Br J Cancer 129(1):46–53. https://doi.org/10.1038/s41416-023-02262-6CrossRefPubMedPubMedCentral

Bulten W, Kartasalo K, Chen P‑HC et al (2022) Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge. Nat Med 28:154–163. https://doi.org/10.1038/s41591-021-01620-2CrossRefPubMedPubMedCentral

Nam JG et al (2023) AI improves nodule detection on chest radiographs in a health screening population: a randomized controlled trial. Radiology. https://doi.org/10.1148/radiol.221894CrossRefPubMedPubMedCentral

Chaunzwa TL et al (2021) Deep learning classification of lung cancer histology using CT images. Sci Rep 11:5471. https://doi.org/10.1038/s41598-021-84630-xCrossRefPubMedPubMedCentral

Baek S, He Y, Allen BG et al (2019) Deep segmentation networks predict survival of non-small cell lung cancer. Sci Rep 9:17286. https://doi.org/10.1038/s41598-019-53461-2CrossRefPubMedPubMedCentral

Robles-Medranda C et al (2023) Artificial intelligence for diagnosing neoplasia on digital cholangioscopy: development and multicenter validation of a convolutional neural network model. Endoscopy 55(8):719–727. https://doi.org/10.1055/a-2034-3803CrossRefPubMedPubMedCentral

Yamada M, Saito Y, Imaoka H et al (2019) Development of a real-time endoscopic image diagnosis support system using deep learning technology in colonoscopy. Sci Rep 9:14465. https://doi.org/10.1038/s41598-019-50567-5CrossRefPubMedPubMedCentral

10.

Saldanha OL, Loeffler CML, Niehues JM et al (2023) Self-supervised attention-based deep learning for pan-cancer mutation prediction from histopathology. Npj Precis Onc 7:35. https://doi.org/10.1038/s41698-023-00365-0CrossRef

11.

Pao JJ, Biggs M, Duncan D et al (2023) Predicting EGFR mutational status from pathology images using a real-world dataset. Sci Rep 13:4404. https://doi.org/10.1038/s41598-023-31284-6CrossRefPubMedPubMedCentral

12.

Jeppesen M et al (2023) Accurate prediction of protein assembly structure by combining AlphaFold and symmetrical docking. Nat Commun 14(1):8283. https://doi.org/10.1038/s41467-023-43681-6CrossRefPubMedPubMedCentral

13.

Cai Y et al (2023) Artificial intelligence applied in neoantigen identification facilitates personalized cancer immunotherapy. Front Oncol 12:1054231. https://doi.org/10.3389/fonc.2022.1054231CrossRefPubMedPubMedCentral

14.

Jumper J et al (2021) Highly accurate protein structure prediction with AlphaFold. Nature 596:583–589CrossRefPubMedPubMedCentral

15.

Baek M et al (2021) Accurate prediction of protein structures and interactions using a three-track neural network. Science 373:871–876CrossRefPubMedPubMedCentral

16.

Lin Z et al (2023) Evolutionary-scale prediction of atomic level protein structure with a language model. Science 379:1123–1130CrossRefPubMed

17.

Manz CR et al (2023) Long-term effect of machine learning–triggered behavioral nudges on serious illness conversations and end-of-life outcomes among patients with cancer. JAMA Oncol 9(3):414–418. https://doi.org/10.1001/jamaoncol.2022.6303CrossRefPubMedPubMedCentral

18.

Placido D et al (2023) A deep learning algorithm to predict risk of pancreatic cancer from disease trajectories. Nat Med 29(5):1113–1122. https://doi.org/10.1038/s41591-023-02332-5CrossRefPubMedPubMedCentral

19.

Garriga R et al (2022) Machine learning model to predict mental health crises from electronic health records. Nat Med 28(6):1240–1248. https://doi.org/10.1038/s41591-022-01811-5CrossRefPubMedPubMedCentral

20.

Ayers JW et al (2023) Comparing physician and artificial intelligence chatbot responses to patient questions posted to a public social media forum. JAMA Intern Med 183(6):589–596. https://doi.org/10.1001/jamainternmed.2023.1838CrossRefPubMedPubMedCentral

21.

Embedding patient-reported outcomes at the heart of artificial intelligence health-care technologies. https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00252-7/fulltext

22.

Govindaraj R et al (2023) Assessing patient-reported outcomes in routine cancer clinical care using electronic administration and telehealth technologies: realist synthesis of potential mechanisms for improving health outcomes. J Med Internet Res 25:e48483. https://doi.org/10.2196/48483CrossRefPubMedPubMedCentral

23.

Klier K et al (2023) Corrected QT interval (QTc) diagnostic app for the oncological routine: development study. JMIR Cardio 7:e48096. https://doi.org/10.2196/48096CrossRefPubMedPubMedCentral

24.

Harbeck N et al (2023) Significantly longer time to deterioration of quality of life due to CANKADO PRO-React eHealth support in HR+ HER2-metastatic breast cancer patients receiving palbociclib and endocrine therapy: primary outcome analysis of the multicenter randomized AGO‑B WSG PreCycle trial. Ann Oncol 34(8):660–669. https://doi.org/10.1016/j.annonc.2023.05.003CrossRefPubMed

25.

Schunn FA et al (2023) Oncologic treatment support via a dedicated mobile app: a prospective feasibility evaluation (OPTIMISE-1). Strahlenther Onkol. https://doi.org/10.1007/s00066-023-02166-7CrossRefPubMed

26.

Changing cancer mindsets: a randomized controlled feasibility and efficacy trial. https://pubmed.ncbi.nlm.nih.gov/37529924/

27.

Kaidar-Person O et al (2023) Evaluating the ability of an artificial-intelligence cloud-based platform designed to provide information prior to locoregional therapy for breast cancer in improving patient’s satisfaction with therapy: the CINDERELLA trial. PLoS ONE 18(8):e289365. https://doi.org/10.1371/journal.pone.0289365CrossRefPubMedPubMedCentral

28.

Adam R et al (2021) Can-pain—a digital intervention to optimise cancer pain control in the community: development and feasibility testing. Support Care Cancer 29(2):759–769. https://doi.org/10.1007/s00520-020-05510-0CrossRefPubMed

29.

Digital therapeutic to improve cancer-related well-being: a pilot randomized controlled trial. https://pubmed.ncbi.nlm.nih.gov/37321673/

30.

Trained artificial intelligence (AI) for predicting treatment termination based on patient observations in advanced breast cancer. https://aacrjournals.org/cancerres/article/83/5_Supplement/P6-03-08/718143/Abstract-P6-03-08-Trained-Artificial-Intelligence

31.

One million cancer treatment months (OMCAT). https://clinicaltrials.gov/study/NCT04531995

32.

Optimization of a technology-supported physical activity promotion intervention for breast cancer survivors: results from Fit2Thrive. https://pubmed.ncbi.nlm.nih.gov/34812521/

33.

Saesen R et al (2023) Defining the role of real-world data in cancer clinical research: the position of the European organisation for research and treatment of cancer. Eur J Cancer 186:52–61. https://doi.org/10.1016/j.ejca.2023.03.013CrossRefPubMed

34.

www.pink-brustkrebs.de

35.

Spahrkäs SS et al (2020) Beating cancer-related fatigue with the Untire mobile app: results from a waiting-list randomized controlled trial. Psychooncology. https://doi.org/10.1002/pon.5492CrossRefPubMedPubMedCentral

36.

www.optimune.de

37.

www.onqo.de

Titel: Ein Blick in die Nachbardisziplin: eHealth in der Onkologie
verfasst von: Friedrich Overkamp
Publikationsdatum: 10.05.2024
Verlag: Springer Medizin
Schlagwörter: Künstliche Intelligenz
Telemedizin
Mammakarzinom
Mammakarzinom
Erschienen in: Die Chirurgie / Ausgabe 6/2024
Print ISSN: 2731-6971
Elektronische ISSN: 2731-698X
DOI: https://doi.org/10.1007/s00104-024-02089-8

Passend zum Thema

Bei Immuntherapien das erhöhte Thromboserisiko beachten

Unter modernen Systemtherapien versechsfacht sich das VTE-Risiko. Warum diese Daten relevant für die Behandlung krebsassoziierter Thrombosen sind, erläutert Prof. F. Langer im Interview. So kann es durch Immuntherapien zu inflammatorischen Syndromen z.B. im GI-Trakt kommen. Nebenwirkungen wie Durchfall oder Mukositis haben dann Einfluss auf die Wirksamkeit oraler Antikoagulantien. Aber auch in punkto Blutungsrisiko ist Vorsicht geboten. Wann hier bevorzugt NMH eingesetzt werden sollten, erläutert Prof. Langer im Interview.

CAT-Management ist ganz einfach – oder doch nicht?

Krebsassoziierte venöse Thromboembolien (CAT) haben in den vergangenen Jahren stetig zugenommen. Was hat der Anstieg mit modernen Antitumortherapien zu tun? Venöse Thromboembolien sind relevante Morbiditäts- und Mortalitätsfaktoren in der Onkologie. Besonders hoch sind die Risiken bei Tumoren des Abdominalraums. Eine antithrombotische Primärprophylaxe ist daher gerade bei gastrointestinalen (GI-) Tumoren auch im ambulanten Setting wichtig.

Management von Thromboembolien bei Krebspatienten

Die Thromboembolie ist neben Infektionen die zweithäufigste Todesursache bei Krebspatienten. Die Behandlung der CAT (cancer associated thrombosis) ist komplex und orientiert sich am individuellen Patienten. Angesichts einer Vielzahl zur Verfügung stehender medikamentöser Behandlungsoptionen finden Sie hier Video-Experteninterviews, Sonderpublikationen und aktuelle Behandlungsalgorithmen zur Therapieentscheidung auf Basis von Expertenempfehlungen.

Passend zum Thema

AGO-Leitlinie 2024: Update zu CDK4 & 6 Inhibitoren

Die Kommission Mamma der Arbeitsgemeinschaft Gynäkologische Onkologie (AGO) hat am 02. März 2024 ihre aktualisierten Empfehlungen präsentiert.[1,2] Welchen Stellenwert CDK4 & 6 Inhibitoren in der Therapie des Hormonrezeptor-positiven (HR+), HER2-negativen (HER2-) Mammakarzinoms haben, erfahren Sie hier im Update.

Finale OS-Analyse der MONARCH-3-Studie vorgestellt

In der MONARCH-3-Studie erhielten Patientinnen mit fortgeschrittenem HR+, HER2- Brustkrebs Abemaciclib [1,a] in Kombination mit nicht-steroidalem Aromatasehemmer (nsAI). Die finalen Daten bestätigen den in früheren Analysen beobachteten Unterschied zugunsten der Kombinationstherapie. [2] Details dazu vom SABCS 2023.

Die Bedeutung der CDK4 & 6 Inhibition beim HR+, HER2- Mammakarzinom

Es erwarten Sie praxisrelevante Patientenfälle, kompakte Studiendarstellungen, informative Experteninterviews sowie weitere spannende Inhalte rund um das HR+, HER2- Mammakarzinom.

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 6/2024

Verschlechterte Langzeitprognose infolge präoperativer Anämie vor allgemeinchirurgischen Eingriffen

eHealth in der Chirurgie

S3-Leitlinie Definition, Pathophysiologie, Diagnostik und Therapie der intestinalen Motilitätsstörung

S2k-Leitlinie „Indikation Knieendoprothese“

eHealth-Anwendungen zur Förderung körperlicher Aktivität nach viszeralen Operationen

Kosten-Erlös-Aspekte der endovaskulären Versorgung distaler Aortenbogenpathologien im Hinblick auf die Einführung einer neuen thorakalen Seitenarmprothese

Passend zum Thema

Bei Immuntherapien das erhöhte Thromboserisiko beachten

CAT-Management ist ganz einfach – oder doch nicht?

Management von Thromboembolien bei Krebspatienten

Passend zum Thema

AGO-Leitlinie 2024: Update zu CDK4 & 6 Inhibitoren

Finale OS-Analyse der MONARCH-3-Studie vorgestellt

Die Bedeutung der CDK4 & 6 Inhibition beim HR+, HER2- Mammakarzinom