Novi model mašinskog učenja koji procenjuje optimalno vreme lečenja sepse mogao bi da otvori put alatima za podršku koji pomažu lekarima da personalizuju odluke o lečenju uz krevet pacijenta, kažu istraživači.
U radu objavljenom u Nature Machine Intelligence, naučnici sa Državnog univerziteta u Ohaju opisuju novi model, koji koristi veštačku inteligenciju da bi preuzeo složeno pitanje kada davati antibiotike pacijentima kod kojih se sumnja na sepsu.
Vreme je od suštinske važnosti jer sepsa, neodoljiv odgovor tela na infekciju, može brzo dovesti do otkazivanja organa. Pa ipak, njegovi simptomi – groznica, nizak krvni pritisak, ubrzani rad srca i problemi sa disanjem – mogu izgledati kao mnoga druga stanja. Federalne smernice pozivaju na brzo lečenje antibioticima širokog spektra kao prvu liniju odbrane – strategija koja obično zahteva akciju pre nego što se kulture koje potvrđuju bakterijsku infekciju mogu dobiti iz laboratorije.
Model je dizajniran da uzme u obzir ove neizvesnosti i vremenske pritiske.
Istraživači su testirali performanse modela koristeći informacije o pacijentima iz kritične nege iz američke baze podataka i evropske baze podataka, upoređujući ishode kod pacijenata čiji se stvarni tretman poklapa sa preporučenim vremenskim okvirom lečenja u modelu sa rezultatima za pacijente čiji se stvarni tretman razlikovao od onoga što bi model preporučio na osnovu o njihovim vitalnim znacima, laboratorijskim rezultatima i demografskim podacima vezanim za rizik. Mera koja predstavlja ishod je preživljavanje pacijenata 30 i 60 dana nakon tretmana sepse.
„Pokazali smo da kada se stvarni tretman i veštačka inteligencija slažu, imamo nižu stopu mortaliteta. Ako se oni ne slažu, stopa smrtnosti može biti i do 25 odsto“, rekao je stariji autor dr Ping Džang, docent računarstva i inženjerstva i biomedicinske informatike u državi Ohajo.
Model je obučen i validiran na skupu podataka dobijenom iz javno dostupne baze podataka, pod nazivom MIMIC-III. Model je testiran na različitim delovima MIMIC-III i novom eksternom skupu podataka iz AmsterdamUMCdb.
Ključne mere od skoro 14.000 osoba sa sepsom uključivale su promene vitalnih znakova pacijenata i rezultata laboratorijskih testova kako je vreme prolazilo – što je služilo kao indikator težine bolesti i vrste infekcije – i inovativnu metodu osmišljenu da uporedi ishode za pacijente koji su primali ili nisu primali antibiotike. u određeno vreme.
„Želimo da modeliranje predvidi da li je korisno koristiti antibiotike u datom trenutku – da ili ne. Ali nikada nećemo znati šta se dešava ako ne damo antibiotik. Zato smo primenili koncept kliničkog ispitivanja na ovaj model: Za svakog pacijenta koji je uzimao lek, uključili smo odgovarajućeg, klinički sličnog pacijenta koji u to vreme nije uzimao antibiotike“, rekao je Zhang, koji vodi Laboratoriju za veštačku inteligenciju u medicinskoj laboratoriji i takođe je član osnovnog fakulteta u Translational State-u Ohajo. Institut za analizu podataka.
„Na taj način možemo predvideti kontračinjenični ishod i obučiti model lečenja protiv činjenica da bismo otkrili da li tretman za sepsu funkcioniše ili ne.
Sepsa doprinosi više od jedne trećine bolničkih smrtnih slučajeva, a najčešće se viđa u jedinicama intenzivne nege i hitnim odeljenjima, „gde često donosimo odluke bez zlatnog standarda – rezultat je kulture“, rekao je saradnik studije. autorka Katherine Buck, MD, docentica urgentne medicine na Medicinskom koledžu i direktorka gerijatrijske hitne pomoći u medicinskom centru Ohajo State Vekner. „Nema svaki pacijent koji ispunjava kriterijume za sepsu i dalje ima dokaz o bakterijskoj infekciji.“
Antibiotici ne dolaze bez rizika — mogu biti toksični za bubrege, izazvati alergijsku reakciju ili dovesti do C. difficile, infekcije koja izaziva tešku dijareju i upalu debelog creva.
„Ono što ovaj rad počinje da shvata jeste da li možemo da koristimo informacije dostupne kliničarima, ponekad u prvom planu, a ponekad ne, da kažemo: Stvari se menjaju na način koji sugeriše da će pacijent imati koristi od antibiotika“, rekao je Bak. „Alatka za podršku odlučivanju mogla bi da kaže kliničarima da li se poklapa sa onim što već mislimo ili da nas navede da se zapitamo šta nam nedostaje. Nadamo se da će s vremenom svi podaci o elektronskom zdravstvenom kartonu koje imamo otkriti signale – i odatle pitanje je kako ih koristiti i kako to preneti kliničarima.“
Ti uvidi – i dostupnost podataka o elektronskom zdravstvenom kartonu – bili su važni za hranjenje modela pravom vrstom podataka i dizajniranje da uzme u obzir višestruka razmatranja koja dolaze sa promjenjivim medicinskim okolnostima, rekao je Zhang.
„Modelirali smo karton pacijenata kao da je to jezik“, rekao je on. „A za mašinsko učenje, uvek obučavamo model seriju po seriju — potreban vam je model da analizira obrazac podataka, postavite parametre i na osnovu ovih parametara dodate još jedan skup podataka za obuku da biste napravili poboljšanja. A onda mašina uvek pronađe bolje parametri koji odgovaraju modelu.“
Ključna mera koja se koristi za vođenje načina na koji model dolazi do preporuke je skor sekvencijalne procene otkaza organa (SOFA), koji se koristi za redovnu procenu rada organskih sistema pacijenta na intenzivnoj nezi na osnovu rezultata šest laboratorijskih testova. Istraživači su vodili primere studija slučaja da bi pokazali kako bi mogao izgledati interfejs razvijen za kliničko okruženje, pokazujući kako se SOFA rezultati menjaju kada model prilagodi preporučeni vremenski okvir lečenja na osnovu promena personalizovanih podataka o pacijentima.
„Naš rad je prvi koji koristi veštačku inteligenciju za preporuku antibiotika za sepsu, koristeći podatke iz stvarnog sveta kako bi pomogao u donošenju kliničkih odluka“, rekao je Zhang. „Svakom istraživanju kao što je ovo potrebna je klinička validacija – ovo je prva faza za retrospektivnu analizu podataka, a druga faza će uključivati saradnju između ljudi i AI za bolju negu pacijenata.“
