Раннее обнаружение злокачественных новообразований остается одной из самых больших проблем для систем здравоохранения во всем мире. Чем раньше диагностируется рак, тем больше шансов на эффективное лечение и выживание. В Великобритании Национальной службы здравоохранения (NHS) в течение многих лет использовали прогнозирующие модели, такие как Qcancerкоторые оценивают риск недиагностированного рака на основе анамнеза, симптомов и факторов риска. Однако недавнее исследование, опубликованное в журнале Природная связьописывает значительный прорыв в этой области — создание новых алгоритмов с чувствительностью, которая превышает существующие модели.
Исследование — это работа ученых из Университет королевы Марии из. Лондон и Оксфордский университетЭто анализирует анонимные электронные медицинские записи более 7,4 миллиона взрослых пациентов в Англии. Собранные данные были использованы для создания двух новых моделей для прогнозирования недиагностированных злокачественных новообразований. Они значительно повышают точность обнаружения многих раковых заболеваний, включая редкие формы и те, у кого нехарактерные начальные симптомы.
В отличие от предыдущих алгоритмов, новые модели включают дополнительный ключевой компонент — рутинные лабораторные тесты, такие как полное количество крови и ферменты печени, которые обычно уже содержатся в медицинских картах. Эти биомаркеры обеспечивают дополнительный уровень объективной информации, который помогает диагностировать рак даже в отсутствие различных симптомов.
Новые алгоритмы показывают способность распознавать повышенный риск 15 раковых заболеваний, включая легкие, толстую кишку, грудь, простату, печень, кровь, яичники, поджелудочную железу и почки. Кроме того, они имеют связь с четырьмя дополнительными заболеваниями, которые увеличивают риск рака — цирроз, гепатит В, гепатит С и ВИЧ/СПИД. Алгоритмы также распознают семь симптомов, которые до сих пор недооценивались в качестве сигналов для рака — зуд, легко продуцировать синяки, боль в спине, хриплый голос, метеоризм, наличие массы в животе и темной моче. Модели также сообщают о новых связях между семейным анамнезом и повышенным риском развития рака легких и крови — связи, которые недостаточно включены в системы скрининга, используемые до сих пор.
Одной из наиболее значимых характеристик этих алгоритмов является их способность интегрироваться в клиническую практику во время стандартных исследований с помощью врача общей практики. Это позволяет алгоритмам анализировать данные из электронных файлов в режиме реального времени и сигнализировать врачей в подозреваемом злокачественном процессе — даже в случаях без типичных симптомов. Таким образом, алгоритмы не только помогают поставить раннюю диагностику, но и обеспечивают объективную основу для решения дополнительных исследований, таких как визуализация или биопсия.
Другим важным аспектом является способность алгоритмов обнаруживать возможный рак печени — заболевание, которое обычно остается невыявленным на поздних стадиях и часто встречается случайно. Новая модель является первой в своем роде, которая обеспечивает надежную оценку риска гепатоцеллюлярной карциномы непосредственно в первичной медицинской помощи.
Это инновация вписывается в более широкие усилия NHS по улучшению выживаемости рака за счет ранней диагностики в рамках его стратегических целей к 2028 году. В свете растущей заболеваемости злокачественных новообразований такие решения могут преобразовать профилактику и раннее лечение рака в развитых системах здоровья.
В целом, новые алгоритмы — это не только технологический прогресс, но и реальный инструмент с потенциалом для спасения тысяч жизней. Объединяя симптомы, лабораторные данные, историю семьи и историю болезни, они являются одними из самых перспективных подходов к своевременному и персонализированному лечению рака в общей медицине.
Ссылки:
1. Хипписли-Кокс Дж, Купленд ок. Разработка и внешняя проверка алгоритмов прогнозирования для улучшения ранней диагностики рака. Nat Commun. 2025; 16 (1): 3660. DOI: 10.1038/S41467-025-57990-5
2. Гамильтон В. Диагностика рака в первичной медицинской помощи. Br J Gen Pract. 2010; 60 (571): 121–128. Doi: 10.3399/bjgp10x483175
3. Asher-Smith JA, Emery J, Kassianos AP, et al. Модели прогнозирования риска для рака: систематический обзор. Рак Prev Res (Phila). 2018; 11 (10): 643–653. Doi: 10.1158/1940-6207.capr-18-0124
4. Koo MM, Hamilton W, Walter FM, Rubin GP, Lyratzopoulos G. Подписи симптомов и диагностическая своевременность при патентах на рак: обзор современных доказательств. Неоплазия. 2018; 20 (2): 165–174. Doi: 10.1016/j.neo.2017.11.005
5. Национальный институт здравоохранения и совершенства ухода (NICE). Подозреваемый рак: распознавание и направление. Хорошее руководство (NG12); 2021.