DOI: https://doi.org/10.3390/cancers18030439
PMID: https://pubmed.ncbi.nlm.nih.gov/41681912
تاريخ النشر: 2026-01-29
المؤلف: Tuukka Hakkarainen وآخرون
الموضوع الرئيسي: أنظمة الصحة، التقييمات الاقتصادية، جودة الحياة
نظرة عامة
تدرس هذه الدراسة دمج أداة تعلم الآلة المصممة للتنبؤ بجودة الحياة المستقبلية (QoL) للنساء المصابات بسرطان الثدي، بهدف تعزيز اتخاذ القرار بشأن الدعم النفسي الاجتماعي. نظرًا للضغوط النفسية التي تعاني منها هذه المرضى، فإن تحديد أولئك الذين سيستفيدون أكثر من هذا الدعم أمر حاسم ولكنه يمثل تحديًا في البيئات السريرية. تقارن الأبحاث أربع استراتيجيات لاتخاذ القرار: تقييم الطبيب فقط، أداة تعلم الآلة فقط، ومزيج من الاثنين، باستخدام نمذجة اقتصادية صحية تعتمد على البيانات الملاحظة.
تشير النتائج إلى أن الجمع بين خبرة الطبيب وأداة التنبؤ بتعلم الآلة قد يؤدي إلى تحسين اتخاذ القرار، مما يسمح بتقديم دعم نفسي اجتماعي أكثر استهدافًا للمرضى المحتاجين. تمثل هذه الدراسة تقييمًا اقتصاديًا مبكرًا لفائدة أداة التنبؤ بتعلم الآلة، مما يشير إلى أن دمجها في الممارسة السريرية قد يعزز القيمة الإجمالية للتدخلات النفسية الاجتماعية في علاج سرطان الثدي.
مقدمة
يظل سرطان الثدي أكثر أنواع السرطان انتشارًا بين النساء على مستوى العالم، حيث يشكل حوالي 30% من جميع حالات السرطان لدى النساء في أوروبا. على الرغم من التقدم في العلاج الذي يعزز التوقعات، فإن الضغوط النفسية المرتبطة بتشخيص السرطان تستمر. تلعب المرونة، التي تُعرف بأنها القدرة على الحفاظ على الاستقرار النفسي والبدني تحت الضغط، دورًا حاسمًا في كيفية تكيف المرضى مع التحديات المرتبطة بالسرطان. تشير الأبحاث إلى أن المرونة الأعلى ترتبط بتحسين جودة الحياة (QoL)، وتقليل أعراض القلق والاكتئاب، وأفضل أداء عام بين مرضى السرطان. ومن الجدير بالذكر أن المرونة يمكن أن تحمي من الضغوط النفسية وتوفر فوائد طويلة الأمد، بما في ذلك ما يصل إلى ست سنوات بعد التشخيص.
إن إدخال أنظمة دعم القرار السريري (CDSS) التي تستخدم خوارزميات تعلم الآلة لديه القدرة على تعزيز رعاية المرضى من خلال تحديد الأفراد المعرضين لخطر انخفاض جودة الحياة وتوجيه التدخلات المناسبة. على وجه التحديد، فإن متنبئ جودة الحياة هو نظام دعم قرار سريري قائم على تعلم الآلة مصمم لتقدير احتمالية تدهور الصحة النفسية لدى مرضى سرطان الثدي خلال عام من التقييم. من خلال دمج بيانات السجلات الصحية الإلكترونية مع النتائج المبلغ عنها من قبل المرضى، يهدف إلى تحديد أولئك الذين سيستفيدون أكثر من التدخلات التي تعزز المرونة. ومع ذلك، فإن فعالية التكلفة لهذا النهج الخوارزمي مقارنة بالرعاية القياسية لا تزال غير مفحوصة، مما دفع الدراسة الحالية لتقييم جدواها الاقتصادية.
طرق البحث
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يتفصل في اختيار المشاركين، وتقنيات جمع البيانات، والتحليلات الإحصائية المستخدمة لتفسير النتائج. استخدمت الدراسة تصميم تجربة عشوائية محكومة، مما يضمن تخصيص المشاركين إما لمجموعة العلاج أو مجموعة التحكم لتقليل التحيز. تم جمع البيانات من خلال استبيانات موحدة وقياسات فسيولوجية، والتي تم تحليلها بعد ذلك باستخدام برامج إحصائية مناسبة لتقييم دلالة النتائج.
بالإضافة إلى ذلك، يصف القسم النماذج الرياضية المطبقة لتقييم العلاقات بين المتغيرات، بما في ذلك تحليلات الانحدار واختبار الفرضيات. تؤكد المنهجية على أهمية القابلية للتكرار والشفافية، حيث توفر تفاصيل كافية للتكرار. بشكل عام، فإن الطرق المستخدمة قوية وتتوافق مع أفضل الممارسات في هذا المجال، مما يساهم في موثوقية استنتاجات الدراسة.
النتائج
في قسم النتائج، تقيم الدراسة الفائدة النقدية الصافية (NMB) وسنوات الحياة المعدلة حسب الجودة (QALYs) لأربع استراتيجيات لتوقع المرضى. حققت الاستراتيجية التي تجمع بين توقعات الطبيب مع متنبئ جودة الحياة (QoL) (الاستراتيجية الثانية) أعلى NMB بمقدار 16,349 يورو لكل مريض وأفضل نتيجة صحية مع 0.759 QALYs، بينما كانت أيضًا ثاني أقل تكلفة بمقدار 6414 يورو. أنتجت الاستراتيجية التي تعتمد على الطبيب فقط (الاستراتيجية الأولى) والاستراتيجية التي تعتمد على المتنبئ فقط (الاستراتيجية الثالثة) NMBs مماثلة بمقدار 16,327 يورو، حيث حققت الاستراتيجية الأولى 0.758 QALYs بمقدار 6420 يورو، بينما حققت الاستراتيجية الثالثة 0.756 QALYs بمقدار 6354 يورو. كانت الاستراتيجية الأقل فعالية (الاستراتيجية الرابعة)، التي تفتقر إلى توقع QoL والدعم النفسي الاجتماعي، أدت إلى أدنى QALYs (0.745) وNMB (16,252 يورو).
في تحليل الحساسية، أدى دمج خسائر الإنتاجية إلى تحويل جميع الاستراتيجيات إلى قيم NMB سلبية، ومع ذلك، ظلت تصنيفاتها النسبية دون تغيير. لا تزال الاستراتيجية الثانية تتصدر مع NMB بمقدار -22,527 يورو، تليها الاستراتيجية الأولى (-22,595 يورو) والاستراتيجية الثالثة (-22,790 يورو)، بينما كانت الاستراتيجية الرابعة لديها أدنى NMB (-23,820 يورو). أشار تحليل الحساسية الاحتمالية إلى أنه عند عتبة الاستعداد للدفع (WTP) بمقدار 30,000 يورو، كانت للاستراتيجية الثانية احتمال 69% لتكون الخيار الأمثل، مقارنة بـ 31% للاستراتيجية الرابعة. ومن الجدير بالذكر أن الاستراتيجية الرابعة كانت مفضلة حتى عتبة WTP بمقدار 20,000 يورو، وبعد ذلك أصبحت الاستراتيجية الثانية أكثر مثالية مع ارتفاع عتبة WTP.
المناقشة
تقيم الدراسة فعالية التكلفة لمختلف الاستراتيجيات لتوجيه الدعم النفسي الاجتماعي للنساء المصابات بسرطان الثدي، باستخدام متنبئ جودة الحياة (QoL) القائم على تعلم الآلة الذي تم تطويره من البيانات التي تم جمعها في دراسة BOUNCE. شملت هذه التجربة السريرية متعددة المراكز 660 امرأة عبر أربع دول وهدفت إلى توقع QoL بعد عام من التشخيص كبديل للمرونة. كشفت التحليلات أن الاستراتيجية التي تجمع بين توقعات الأطباء مع متنبئ QoL حققت أعلى فائدة نقدية صافية (NMB) وسنوات حياة معدلة حسب الجودة (QALYs)، مما يعزز فائدة أنظمة دعم القرار السريري (CDSS) في تحديد المرضى الذين قد يستفيدون من التدخلات المستهدفة.
على الرغم من النتائج الإيجابية العامة، أدى تضمين خسائر الإنتاجية بسبب الإجازات المرضية إلى قيم NMB سلبية، مما يشير إلى أن العبء الاقتصادي لفقدان الإنتاجية قد يفوق المكاسب الصحية خلال السنة الأولى بعد التشخيص. أكد تحليل الحساسية الاحتمالية أن استراتيجية التنبؤ المجمعة كانت لديها أعلى احتمال لتكون فعالة من حيث التكلفة عند عتبة استعداد للدفع قدرها 30,000 يورو لكل QALY. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الطبيعة الملاحظة لمجموعة بيانات BOUNCE والنمذجة المحافظة لفوائد الدعم النفسي الاجتماعي، مما قد يقلل من تقدير التأثير الحقيقي لمثل هذه التدخلات. بشكل عام، تشير النتائج إلى أن متنبئ QoL يمكن أن يعزز استهداف الدعم النفسي الاجتماعي، مما قد يقلل من استخدام الرعاية الصحية غير الضرورية ويحسن نتائج المرضى.
DOI: https://doi.org/10.3390/cancers18030439
PMID: https://pubmed.ncbi.nlm.nih.gov/41681912
Publication Date: 2026-01-29
Author(s): Tuukka Hakkarainen et al.
Primary Topic: Health Systems, Economic Evaluations, Quality of Life
Overview
This study investigates the integration of a machine learning tool designed to predict future quality of life (QoL) for women diagnosed with breast cancer, aiming to enhance decision-making regarding psychosocial support. Given the psychological distress often experienced by these patients, identifying those who would benefit most from such support is crucial yet challenging in clinical settings. The research compares four decision-making strategies: clinician assessment alone, the machine learning tool alone, and a combination of both, utilizing health economic modeling based on observational data.
The findings indicate that the combination of clinician expertise and the machine learning prediction tool may lead to improved decision-making, allowing for more targeted psychosocial support for patients in need. This study represents an early economic evaluation of the machine learning predictor’s utility, suggesting that its integration into clinical practice could enhance the overall value of psychosocial interventions in breast cancer treatment.
Introduction
Breast cancer remains the most prevalent cancer among women globally, constituting about 30% of all female cancer cases in Europe. Despite advancements in treatment that enhance prognoses, the psychological distress associated with cancer diagnosis persists. Resilience, defined as the ability to maintain psychological and physical stability under stress, plays a crucial role in how patients adapt to cancer-related challenges. Research indicates that higher resilience correlates with improved quality of life (QoL), reduced symptoms of anxiety and depression, and better overall functioning among cancer patients. Notably, resilience can buffer against psychological distress and confer long-term benefits, including up to six years post-diagnosis.
The introduction of clinical decision support systems (CDSS) utilizing machine learning algorithms has the potential to enhance patient care by identifying individuals at risk of low QoL and guiding appropriate interventions. Specifically, the QoL predictor is a machine learning-based CDSS designed to estimate the likelihood of mental health deterioration in breast cancer patients within a year of assessment. By integrating electronic health record data with patient-reported outcomes, it aims to identify those who would benefit most from resilience-strengthening interventions. However, the cost-effectiveness of this algorithmic approach compared to standard care remains unexamined, prompting the current study to evaluate its economic viability.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, data collection techniques, and the statistical analyses utilized to interpret the results. The study employed a randomized controlled trial design, ensuring that participants were assigned to either the treatment or control group to minimize bias. Data were collected through standardized questionnaires and physiological measurements, which were subsequently analyzed using appropriate statistical software to assess the significance of the findings.
Additionally, the section describes the mathematical models applied to evaluate the relationships between variables, including regression analyses and hypothesis testing. The methodology emphasizes the importance of reproducibility and transparency, providing sufficient detail for replication. Overall, the methods employed are robust and align with best practices in the field, contributing to the reliability of the study’s conclusions.
Results
In the results section, the study evaluates the net monetary benefit (NMB) and quality-adjusted life years (QALYs) of four strategies for patient prediction. The strategy combining clinician prediction with a quality of life (QoL) predictor (Strategy ii) yielded the highest NMB at EUR 16,349 per patient and the best health outcome with 0.759 QALYs, while also being the second least costly at EUR 6414. The clinician-only strategy (Strategy i) and the predictor-alone strategy (Strategy iii) produced similar NMBs of EUR 16,327, with Strategy i achieving 0.758 QALYs at EUR 6420, and Strategy iii achieving 0.756 QALYs at EUR 6354. The least effective strategy (Strategy iv), which lacked QoL prediction and psychosocial support, resulted in the lowest QALYs (0.745) and NMB (EUR 16,252).
In the sensitivity analysis, incorporating productivity losses shifted all strategies to negative NMB values, yet their relative rankings remained unchanged. Strategy ii still led with an NMB of EUR -22,527, followed closely by Strategy i (EUR -22,595) and Strategy iii (EUR -22,790), while Strategy iv had the lowest NMB (EUR -23,820). The probabilistic sensitivity analysis indicated that at a willingness-to-pay (WTP) threshold of EUR 30,000, Strategy ii had a 69% probability of being the optimal choice, compared to 31% for Strategy iv. Notably, Strategy iv was favored until a WTP threshold of EUR 20,000, after which Strategy ii became increasingly optimal as the WTP threshold rose.
Discussion
The study evaluates the cost-effectiveness of various strategies for guiding psychosocial support in women with breast cancer, utilizing a machine learning-based Quality of Life (QoL) predictor developed from data collected in the BOUNCE study. This multicenter clinical trial involved 660 women across four countries and aimed to predict QoL one year post-diagnosis as a proxy for resilience. The analysis revealed that the strategy combining clinician predictions with the QoL predictor yielded the highest net monetary benefit (NMB) and quality-adjusted life years (QALYs), reinforcing the utility of clinical decision support systems (CDSS) in identifying patients who may benefit from targeted interventions.
Despite the overall positive findings, the inclusion of productivity losses due to sick leave resulted in negative NMB values, indicating that the economic burden of lost productivity may outweigh the health gains within the first year post-diagnosis. The probabilistic sensitivity analysis confirmed that the combined prediction strategy had the highest probability of being cost-effective at a willingness to pay threshold of EUR 30,000 per QALY. However, the study acknowledges limitations, including the observational nature of the BOUNCE dataset and the conservative modeling of psychosocial support benefits, which may underestimate the true impact of such interventions. Overall, the findings suggest that the QoL predictor could enhance the targeting of psychosocial support, potentially reducing unnecessary healthcare utilization and improving patient outcomes.