Predykcja przeżycia MANTIS wykorzystuje rutynowe dane o guzach do oceny ryzyka raka mózgu u dzieci
Badacze z Dana-Farber przedstawili predykcję przeżycia MANTIS — podejście AI przebadane na grupie 2 786 pacjentów, które szacuje rokowania w przypadku guzów mózgu u dzieci w perspektywie 10 lat. Opublikowane 3 listopada w Nature Genetics badanie analizuje także, które dzieci mogłyby tolerować mniejszą dawkę promieniowania. Jego zasadnicze napięcie ma charakter kliniczny: przewidywanie rokowania dziecka i wybór bezpieczniejszego leczenia wymagają odmiennych dowodów.
Model dotyczy rdzeniaka zarodkowego i wyściółczaka, złośliwych guzów mózgu o zróżnicowanych rokowaniach. Wykorzystuje metylację DNA, czyli chemiczne znaczniki na DNA pomagające scharakteryzować guz, wraz z innymi informacjami. Jego zaleta jest praktyczna. Badacze chcą wydobyć dodatkową wartość z badań molekularnych już stosowanych w diagnostyce, zamiast wymagać całkowicie odrębnego procesu diagnostycznego.
Punktem odniesienia jest badanie ACNS0331 grupy Children's Oncology Group, które wcześniej wykazało gorsze wyniki, gdy dawki promieniowania zmniejszano w całej grupie młodszych pacjentów o przeciętnym ryzyku. Ta historia nadaje ogłoszeniu znaczenie. Dokładniejsza selekcja zasługuje na zbadanie, lecz korzystna prognoza nie może dowodzić, że dziecko pozostanie równie bezpieczne po zmianie leczenia.
Co predykcja przeżycia MANTIS wnosi do istniejących badań guzów
Bezpośrednim postępem jest metoda badawcza pozwalająca szacować indywidualne ryzyko na podstawie istniejących informacji molekularnych.
Badanie dotyczące predykcji przeżycia podaje indeks zgodności sięgający 0,80 — miarę zgodności między przewidywanymi a obserwowanymi rankingami przeżycia. Jego analiza leczenia wskazała około 60% pacjentów z rdzeniakiem zarodkowym o przeciętnym ryzyku, u których przy radioterapii o niższej dawce nie stwierdzono statystycznie istotnego pogorszenia przeżycia. Autorzy wzywają do prospektywnych badań klinicznych, które oceniają prognozy, zanim wystąpią późniejsze wyniki.
Wyniki te wymagają odrębnych interpretacji. Model może rozróżniać pacjentów o wyższym i niższym ryzyku, nie ustalając jednak najlepszego postępowania dla żadnej z tych grup. Ranking ryzyka odpowiada na pytanie prognostyczne. Dobór leczenia odpowiada na pytanie decyzyjne, którego konsekwencje zależą od tego, co klinicyści zmienią po zapoznaniu się z prognozą.
To rozróżnienie zmienia także sposób, w jaki czytelnicy powinni rozumieć zindywidualizowane przeżycie. Krzywa prawdopodobieństwa opisuje szacowane szanse w czasie. Nie może określić przyszłości konkretnego dziecka, a jej wizualna precyzja nigdy nie powinna sugerować pewności co do tej przyszłości. Szczegółowy wykres pozostaje szacunkiem, niezależnie od tego, jak dopracowana jest jego prezentacja.
Dla zespołu klinicznego oceniającego oprogramowanie oznacza to, że cel wyniku musi być jasno określony. Czy system wspiera rozmowę o rokowaniu? Czy pomaga wskazać kandydatów do badania naukowego? Czy też ktoś proponuje, aby jego prognoza bezpośrednio zmieniała leczenie? Każde zastosowanie wymaga dowodów dopasowanych do danego działania.
Rozważmy hipotetyczne spotkanie przeglądowe w szpitalu. Zespół otrzymuje klasyfikację guza oraz dodatkowe oszacowanie przeżycia wyprowadzone z tego samego profilu molekularnego. Szacunek sugeruje korzystniejsze perspektywy, niż wynikałoby to z szerokiej kategorii ryzyka. Taka rozbieżność stanowi powód do dalszej analizy, a nie automatyczną instrukcję zmniejszenia intensywności terapii.
Przydatne pytanie brzmi wtedy, dlaczego oceny się różnią. Klinicysta chciałby zrozumieć właściwą populację pacjentów, założenia dotyczące leczenia, niepewność oraz wszelkie informacje pominięte w obliczeniu. Prawdopodobieństwo bez takich granic może stać się niewyjaśnionym autorytetem w decyzji wymagającej ostrożnej interpretacji.
Dlatego to ogłoszenie ma znaczenie wykraczające poza kolejny benchmark medycznej AI. Ponowne wykorzystanie danych diagnostycznych stwarza możliwość przybliżenia analizy predykcyjnej do istniejącej decyzji klinicznej. Tworzy także obowiązek rozróżnienia między tym, co ustaliło pierwotne badanie, a tym, co szacuje dodatkowe oprogramowanie.
Dla twórców produktów AI to rozdzielenie powinno kształtować interfejs od samego początku. Etykieta diagnostyczna i oszacowanie przeżycia nie powinny wyglądać na wymienne tylko dlatego, że korzystają z tego samego pliku wejściowego. Dowody je wspierające, ograniczenia i zamierzone zastosowania wymagają niezależnych wyjaśnień.
Ta sama zasada dotyczy komunikacji publicznej. Stwierdzenie, że system przewiduje przeżycie, jest zwięzłym opisem jego zadania. Stwierdzenie, że wskazuje dzieci, które mogą bezpiecznie otrzymać mniej intensywne leczenie, jest silniejszą tezą kliniczną. Odległość między tymi stwierdzeniami jest kluczową kwestią, którą czytelnicy powinni śledzić.
Istniejące badania tworzą praktyczną drogę do procesów klinicznych
Wykorzystanie informacji już zbieranych podczas opieki czyni wdrożenie bardziej prawdopodobnym, ale nie potwierdza gotowości klinicznej.
Wyjaśnienie Dana-Farber dotyczące podejścia do profilowania guzów podkreśla, że podstawowe informacje diagnostyczne są już generowane w wielu ośrodkach. Starszy autor Volker Hovestadt opisuje cel jako wyjście poza szerokie kategorie ryzyka. Pierwsza autorka Sabina Stefan przedstawia dalsze badania kliniczne jako niezbędne dla bardziej spersonalizowanych decyzji terapeutycznych.
To ujęcie wskazuje potencjalne źródło presji na wdrożenie. Jeśli istniejące badanie laboratoryjne zawiera informacje istotne dla rokowania, szpitale będą zasadnie pytać, czy powinny z nich korzystać. Odpowiedź wymaga czegoś więcej niż potwierdzenia istnienia danych. Ktoś musi zwalidować dodatkową interpretację i określić odpowiedzialność za jej wykorzystanie.
Szpital rozważający takie podejście musiałby zbadać całą ścieżkę — od przetwarzania próbki po ekran klinicysty. Dostępny wynik molekularny nie trafia automatycznie w formacie oczekiwanym przez model badawczy. Odpowiedzialna ocena powinna ustalić, czy lokalny proces generuje odpowiednie dane wejściowe i jak obsługiwane są nieodpowiednie przypadki.
Pojawia się również pytanie o czas. Szacunek dostępny po podjęciu decyzji terapeutycznej służy innemu celowi niż taki, który jest dostępny wcześniej. Ocena powinna zatem mierzyć, kiedy prognozy stają się dostępne, kto je przegląda i czy dotyczą decyzji, która nadal pozostaje otwarta. Sama szybkość obliczeń nie odpowiada na te pytania.
Historycznym punktem odniesienia jest klasyfikacja guzów na podstawie metylacji, opisana w Nature w 2018 roku. Praca ta pokazała, jak wzorce molekularne mogą wspierać diagnostykę guzów mózgu w rutynowych warunkach. Stanowi precedens dla wydobywania klinicznie użytecznych informacji z profili metylacji, choć dotyczy zadania odmiennego od prognozowania przeżycia.
To rozróżnienie ma znaczenie komercyjne. Udane zastosowanie diagnostyczne może oswoić odbiorców z technologią wejściową, lecz nie może przenieść swojej walidacji klinicznej na każdy model działający dalej w tym procesie. Nabywcy powinni oceniać proponowane zastosowanie dotyczące przeżycia na podstawie własnych dowodów. Znajoma infrastruktura jest zaletą wdrożeniową, a nie substytutem walidacji wyników.
Presja spoczywa na liderach laboratoriów, badaczach klinicznych i zespołach programistycznych, aby określili, jaką dodatkową usługę oferują. Wynik badawczy, raport prognostyczny i wsparcie decyzji terapeutycznej wiążą się z różnymi oczekiwaniami. Łączenie ich pod ogólną etykietą, taką jak medycyna spersonalizowana, zacierałoby praktyczną decyzję, którą muszą podjąć szpitale.
Dla twórców oprogramowania szansa nie polega więc przede wszystkim na przedstawieniu kolejnego imponującego ekranu z prognozą. Chodzi o zbudowanie procesu wokół szacunku, który można poddać przeglądowi. Proces ten powinien udostępniać osobom odpowiedzialnym za interpretację wyniku wersję modelu, wymagania dotyczące danych wejściowych, docelową populację i ograniczenia.
Zarządzanie wiedzą staje się tu istotne, ponieważ dowody będą ewoluować niezależnie od każdej indywidualnej prognozy. Zespoły utrzymujące przeszukiwalną bazę wiedzy mogą zapewnić dostępność publikacji walidacyjnych i dokumentacji technicznej. Taka dokumentacja wspiera ocenę; nie przekształca ogólnego narzędzia do zarządzania wiedzą w oprogramowanie wspierające decyzje kliniczne.
Praktyczną obietnicą jest dodatkowa interpretacja istniejącego badania. Praktycznym obowiązkiem jest ustalenie, czy interpretacja ta poprawia konkretną decyzję. Utrzymanie obu tych idei w polu widzenia zapobiega temu, by wygoda stała się argumentem za przedwczesnym wdrożeniem.
Redukcja dawki promieniowania czyni selekcję pacjentów kluczowym pytaniem
Istotne porównanie dotyczy szerokiego zmniejszenia dawki wobec starannie przetestowanej selekcji do redukcji dawki.
Badanie radioterapii o obniżonej dawce stanowi niezbędną przeciwwagę dla optymistycznych relacji. ACNS0331 porównywało standardowe napromienianie czaszkowo-rdzeniowe, obejmujące mózg i kręgosłup, z niższą dawką u dzieci w wieku 3–7 lat. Dawki wynosiły 23,4 Gy i 18 Gy; grej jest jednostką pochłoniętej dawki promieniowania.
Wniosek badania miał istotne konsekwencje: zmniejszenie dawki u tych młodszych pacjentów o przeciętnym ryzyku przyniosło gorsze wyniki, choć wiązało się z lepszymi wynikami neurokognitywnymi. Wyniki neurokognitywne dotyczą zdolności takich jak myślenie i uczenie się. To połączenie precyzyjnie wyjaśnia problem kliniczny. Zmniejszenie obciążenia leczeniem jest pożądane tylko wtedy, gdy wynikające z niego ryzyko nowotworowe pozostaje akceptowalne.
Selekcję leczenia radioterapią MANTIS należy rozumieć w świetle tych dowodów. Pytanie badawcze brzmi, czy informacje molekularne mogą rozróżnić pacjentów o odmiennych potrzebach terapeutycznych w ramach szerokiej kategorii. Nie chodzi o to, czy mniejsza dawka promieniowania ogólnie brzmi korzystniej. Wcześniejsze badanie już pokazuje, dlaczego atrakcyjna redukcja wymaga rygorystycznych testów.
Szeroka kategoria z konieczności grupuje pacjentów razem. Zindywidualizowany model zakłada, że pewne różnice w obrębie tej grupy zasługują na uwagę. Ta perspektywa jest zrozumiała: powszechnie stosowana intensywność leczenia może nakładać możliwe do uniknięcia obciążenia na niektórych pacjentów, pozostając jednocześnie konieczna dla innych. Ustalenie, do której grupy należy dany pacjent, jest trudną częścią zadania.
Trudność ta wiąże się z nieobserwowalnym porównaniem. Dziecko otrzymuje określony przebieg leczenia, zamiast jednocześnie otrzymywać każdą alternatywę. Badacze mogą porównywać wyniki między pacjentami, lecz oszacowanie, co wydarzyłoby się u jednego dziecka przy innym leczeniu, wymaga dodatkowych założeń. Zindywidualizowany język nie eliminuje tego problemu.
Losowy przydział leczenia, który rozdziela terapie przypadkowo, pomaga zwiększyć wiarygodność porównań. Mimo to późniejsza analiza oparta na modelu stawia nowe pytanie o różnice w obrębie populacji badania. Jej wiarygodność zależy od sposobu zdefiniowania grup, oceny prognoz oraz tego, czy wynik potwierdza się gdzie indziej.
Dla czytelników jest to użyteczniejsze porównanie niż traktowanie MANTIS jako konkurenta dla lekarzy. Badanie podważa szczegółowość istniejącej oceny ryzyka. Wiedza kliniczna nadal jest niezbędna, aby zinterpretować znaczenie szacunku, ustalić, czy ma on zastosowanie, oraz ocenić, czy proponowane działanie ma wystarczające dowody wspierające.
Wynika z tego również wniosek dotyczący produktu. Ocena ryzyka nie powinna poprzez projekt interfejsu po cichu stawać się rekomendacją leczenia. Umieszczenie korzystnego oszacowania obok sugerowanej dawki mogłoby implikować związek wymagający odrębnej walidacji. Oprogramowanie może komunikować więcej niż wynika z jego formalnego brzmienia — za sprawą ustawień domyślnych, rozmieszczenia elementów i wizualnego akcentu.
Szpital oceniający wybór radioterapii z użyciem MANTIS powinien zatem równie dokładnie przeanalizować proponowane działanie, jak samą prognozę. Czy oprogramowanie zachęca do udziału w badaniu, dodatkowej oceny czy bezpośredniej zmiany leczenia? Wymagania dotyczące dowodów rosną wraz z wagą konsekwencji podejmowanego działania.
W tym miejscu dobór pacjentów staje się także kwestią odpowiedzialności. Jeśli model i ugruntowana ocena są ze sobą sprzeczne, taka rozbieżność wymaga zdefiniowanego procesu weryfikacji. Ani szeroka kategoria, ani zindywidualizowane oszacowanie nie powinny przeważać tylko dlatego, że jedno wydaje się bardziej tradycyjne, a drugie bardziej zaawansowane technologicznie.
Cel kliniczny jest spójny: zachować skuteczność leczenia nowotworu, jednocześnie ograniczając możliwe do uniknięcia szkody. Nierozstrzygnięte pozostaje, czy proponowana metoda selekcji osiąga tę równowagę, gdy służy do kierowania opieką. To pytanie wymaga badania wyników leczenia, a nie zaufania do samej zasady personalizacji.
Korzystna prognoza nie potwierdza bezpieczeństwa zmiany leczenia
Najbardziej rzetelna interpretacja tych badań zachowuje rozróżnienie między skutecznością predykcyjną a wykazaną korzyścią dla pacjentów.
Towarzyszące omówienie personalizacji terapii przedstawia tę pracę jako możliwą drogę do identyfikowania kandydatów do mniej intensywnego leczenia. To perspektywiczne ujęcie ma znaczenie. Opisuje zastosowanie wymagające zbadania, a nie ogłasza, że indywidualne ograniczanie radioterapii stało się już standardem opieki.
Najważniejsze rozróżnienie statystyczne dotyczy wyniku bez istotnej niekorzystnej różnicy w przeżyciu. Istotność statystyczna ocenia, na ile zaobserwowane dane są zgodne z określoną hipotezą statystyczną. Brak wykrytej różnicy nie dowodzi równoważności terapii, zwłaszcza gdy niepewność pozostaje znaczna.
Twierdzenie o bezpieczeństwie wymaga więcej niż korzystnego kierunku wyniku. Badacze muszą określić, jaka potencjalna utrata skuteczności byłaby nieakceptowalna, oraz zgromadzić dowody wystarczająco precyzyjne, by ocenić tę granicę. W przeciwnym razie pozornie uspokajujące porównanie może pozostawić nierozstrzygnięte kluczowe pytanie kliniczne.
Ma to znaczenie, ponieważ błędy niosą różne konsekwencje. Błędne zakwalifikowanie dziecka do mniej intensywnego leczenia stwarza inne ryzyko niż przeoczenie możliwości ograniczenia terapii. Jedna ogólna miara skuteczności nie może określić, jak klinicyści powinni równoważyć te konsekwencje. Zamierzona decyzja wymaga wyraźnej oceny.
Wyjaśnianie prognoz przeżycia MANTIS za pomocą nagłówkowej liczby pomijałoby kolejne rozróżnienie: prawidłowe uszeregowanie pacjentów różni się od trafnego oszacowania ich prawdopodobieństw. Ranking może być użyteczny, podczas gdy związane z nim prawdopodobieństwa nadal wymagają analizy. Każde zastosowanie obejmujące rozmowy o leczeniu powinno badać oba te zadania.
Prezentacja wizualna zasługuje na taki sam sceptycyzm jak analiza statystyczna. Gładka krzywa może wyglądać wiarygodnie, nawet jeśli jej zastosowanie do konkretnego pacjenta pozostaje niepewne. Interfejsy powinny pomagać użytkownikom zrozumieć populację i założenia stojące za oszacowaniem. Dodatkowe miejsca po przecinku nie rozwiązałyby tych niepewności.
Korzyść dla pacjenta wykracza także poza zgodność prognozy z późniejszym wynikiem. Użyteczny system musi poprawiać decyzje podejmowane dzięki tej prognozie. Możliwe jest dostarczanie dodatkowych informacji bez zmiany opieki albo zmienianie opieki bez poprawy wyników. Ocena musi wykazać to połączenie, a nie je zakładać.
Rozważmy inną hipotetyczną decyzję wdrożeniową. Szpital wprowadza prognozy do przeglądu, lecz początkowo nie zmienia planowania leczenia. Taka sytuacja może pomóc ocenić użyteczność i rozbieżności, choć nie może wykazać korzyści z ograniczania leczenia kierowanego przez model. Różne projekty oceny odpowiadają na różne pytania.
Sceptyczne podejście nie wymaga wymyślania zewnętrznego krytyka. Samo wskazane przez badaczy zapotrzebowanie na dalsze badania już identyfikuje lukę w dowodach. Czytelnicy powinni powstrzymać się przed przekształcaniem tego ograniczenia zarówno w odrzucenie, jak i poparcie. Obiecujący wynik badań może uzasadniać inwestycję w walidację, pozostając jednocześnie niewystarczającą podstawą do rekomendacji leczenia.
Istnieje również granica znaczenia słowa rutynowy. Badanie może być dobrze znane w środowisku specjalistycznym, nie oznacza to jednak, że każdy pacjent ma do niego równoważny dostęp. Przed opisaniem modelu jako szeroko wdrażalnego oceniający powinni ustalić faktyczną dostępność i przydatność jego danych wejściowych w zamierzonym środowisku.
Dla nabywców korporacyjnych wynikająca z tego lista kontrolna ma charakter koncepcyjny, a nie promocyjny: zidentyfikować pytanie kliniczne, określić działanie, przeanalizować dowody i ustalić odpowiedzialność. Zakupy powinny następować w tej kolejności. Rozpoczynanie od skuteczności modelu i dopiero późniejsze odkrywanie zamierzonego zastosowania odwracałoby logikę.
Dla rodzin czytających tę relację najjaśniejsza interpretacja jest węższa niż najbardziej optymistyczny nagłówek. Badania te analizują lepsze oszacowania i bardziej selektywne leczenie. Decyzje dotyczące terapii konkretnego dziecka nadal powinny być podejmowane w rozmowach z prowadzącym zespołem klinicznym, w oparciu o dowody mające zastosowanie w okolicznościach tego dziecka.
Kolejne kamienie milowe dotyczą walidacji, decyzji i wyników pacjentów
Kolejne istotne dowody powinny pokazać, czy prognozy wspierają lepsze decyzje w jasno określonych warunkach.
W nadchodzących miesiącach pierwszym sygnałem, na który warto zwrócić uwagę, jest plan oceny prospektywnej z określonym zamierzonym zastosowaniem. Warto szukać jasno wskazanej populacji pacjentów, kontekstu leczenia i decyzji, którą model ma wspierać. Te szczegóły uczyniłyby kierunek badań bardziej konkretnym, nie sugerując, że wyniki długoterminowe są już dostępne.
Ocena powinna rozróżniać obserwowanie prognoz od działania na ich podstawie. Badanie sprawdzające skuteczność prognozowania odpowiada na ważne pytanie. Badanie zmieniające leczenie odpowiada na inne. Publiczne komunikaty powinny wyjaśniać, co się dzieje, ponieważ oba mogą być luźno opisywane jako walidacja kliniczna, mimo że testują różne założenia.
Udokumentowany plan prospektywny wzmocniłby zaufanie, że badania zmierzają ku odpowiedzi klinicznej. Demonstracja ograniczona do atrakcyjnych wyników pozostawiłaby kluczową niepewność nienaruszoną. Istotnym kamieniem milowym jest możliwy do przetestowania schemat decyzyjny, a nie bardziej dostępny interfejs prognozowania.
Drugim sygnałem jest zewnętrzna ocena w środowisku, w którym ktoś proponuje użycie modelu. Zewnętrzna ocena oznacza testowanie poza danymi wykorzystanymi do opracowania systemu. Czytelnicy powinni sprawdzić, kogo uwzględniono, jakie leczenie otrzymali oraz czy skuteczność pozostaje użyteczna dla zamierzonego pytania klinicznego.
Wynik ogólny nie powinien kończyć tej analizy. Oceniający muszą zrozumieć, gdzie prognozy pomagają, gdzie wnoszą niewiele oraz gdzie niepewność uniemożliwia interpretację. Model działający inaczej w różnych grupach pacjentów potrzebuje odpowiednio precyzyjnego zamierzonego zastosowania. Szeroki język marketingowy utrudniałby ocenę tych granic.
Dowody utrzymujące się w odpowiednich środowiskach wzmocniłyby argument za dalszymi badaniami klinicznymi. Dowody ujawniające istotne ograniczenia zawęziłyby zastosowanie, co również może stanowić użyteczny postęp. Mniejsza, dobrze udokumentowana rola jest cenniejsza niż rozległe twierdzenie o niejasnych granicach.
Trzecim sygnałem są dowody dotyczące korzyści dla pacjenta wynikających z decyzji kierowanych przez model. W przypadku ograniczania leczenia pytanie musi obejmować wyniki onkologiczne oraz obciążenia, których leczenie ma na celu uniknąć. Niższa dawka leczenia sama w sobie nie potwierdzałaby sukcesu. Nie potwierdzałaby go również trafność predykcji bez wykazanego związku z poprawą opieki.
Te wyniki wymagają odpowiedniej obserwacji. Komunikat w ciągu najbliższych kilku miesięcy może ustanowić protokół lub współpracę badawczą, ale nie może zastąpić czasu potrzebnego do zaobserwowania trwałych efektów. Relacje powinny rozróżniać postęp w kierunku odpowiedzi od dowodów, że odpowiedź już nadeszła.
Wyjaśnianie prognoz przeżycia MANTIS jako problemu decyzji klinicznej oferuje użyteczny standard oceny medycznej AI ogólnie. Należy pytać, jaka informacja się zmienia, jakie działanie z niej wynika i jakie dowody wspierają to działanie. Te same pytania dotyczą danych molekularnych, obrazu lub innego pomiaru klinicznego.
Dla twórców oznacza to projektowanie z uwzględnieniem niepewności i weryfikacji. Dla nabywców instytucjonalnych oznacza zakup zdefiniowanej zdolności o określonej bazie dowodowej. Dla badaczy oznacza uwidocznienie luki między prognozowaniem a interwencją na tyle wyraźnie, aby kolejne badania mogły bezpośrednio się nią zająć.
Śledź kolejne doniesienia, pamiętając o tych rozróżnieniach. Sprawdź, czy badacze definiują zamierzoną populację, niezależnie oceniają prognozy i określają, jak decyzje terapeutyczne będą wykorzystywać wynik modelu. Szukaj dowodów dotyczących zarówno kontroli nowotworu, jak i wpływu leczenia na życie dziecka. Prognoza przeżycia MANTIS zasługuje na uwagę, ponieważ stawia pytanie, czy istniejące dane o guzie mogą wspierać bardziej zindywidualizowaną opiekę. Jej znaczenie kliniczne będzie zależeć od tego, co wydarzy się, gdy te oszacowania wpłyną na rzeczywiste decyzje. Gdy pojawi się kolejny komunikat, zadaj praktyczne pytanie: czy poprawia on naszą zdolność do prognozowania wyników, czy też potwierdza, że działanie na podstawie prognozy pomaga pacjentom?
