Alat veštačke inteligencije (AI) razvijen u Medicinskom centru Univerziteta Vanderbilt tačno je identifikovao pedijatrijske pacijente sa visokim rizikom za stvaranje krvnih ugrušaka u kliničkom ispitivanju. Međutim, nije bilo razlike u ishodima u poređenju sa kontrolnom grupom, objavili su istraživači u JAMA Netvork Open.
Jedan od razloga što se to moglo desiti je taj što su lekari koji leče manje od 26% vremena prihvatili preporuke za početak terapije za razređivanje krvi kod ovih pacijenata. Lekari su izrazili zabrinutost da bi terapija mogla da izazove veliko krvarenje, iako ova komplikacija nije primećena tokom studije.
Iako je ishod bio iznenađujući, istraživači su rekli da je kliničko ispitivanje, nazvano CLOT (Dečja verovatnoća tromboze), potvrdilo bezbednost i efikasnost alata u zdravstvenom okruženju i pružilo vredan uvid u to kako da se uspešno ugradi u kliničku praksu.
„Biće sve više veštačke inteligencije u zdravstvenoj zaštiti. Uspostavljanje sistema gde možemo da procenimo ove (modele) omogućiće nam da pružimo sigurniju i efikasniju negu našim pacijentima“, rekla je Šenon Voker, MD, docent. Patologija, mikrobiologija i imunologija i pedijatrija i prvi autor rada.
„Ova studija pokazuje da je pragmatično, randomizovano, kontrolisano ispitivanje na nivou pacijenata najetičniji i najefikasniji način da se proceni da li su AI alati bezbedni i efikasni“, dodao je koautor Danijel Birn, MS, direktor istraživanja veštačke inteligencije u Advanced Vanderbilt-u. Laboratorija za veštačku inteligenciju (AVAIL) i Odeljenje za biostatistiku.
Iako retki, krvni ugrušci koji se razvijaju kod pedijatrijskih pacijenata mogu produžiti njihov boravak u bolnici i povećati rizik od komplikacija nakon otpuštanja i smrti.
Da bi identifikovali one sa visokim rizikom, Voker, Birn i njihove kolege su pregledali elektronske medicinske kartone o više od 110.000 prijema u dečiju bolnicu Monro Karel Jr. u Vanderbiltu.
Identifikovali su 11 faktora povezanih sa rizikom od stvaranja krvnih ugrušaka, uključujući određene laboratorijske vrednosti i dijagnoze, kao i da li je pacijent bio podvrgnut operaciji ili je imao konsultacije sa kardiologom ili zaraznom bolešću.
Koristeći te informacije, razvili su prediktivni model koji je automatskim skeniranjem medicinskog kartona izračunavao ocenu rizika dnevno za svaki prijem u pedijatrijsku bolnicu. „Ovo nam je omogućilo da brzo pregledamo preko 100 pacijenata dnevno i fokusiramo se na pacijente koji su imali najveću verovatnoću da razviju krvne ugruške“, rekao je Voker.
Suđenje, koje je trajalo 15 meseci, od novembra 2020. do januara 2022. godine, obuhvatilo je 17.000 hospitalizacija. Pacijenti su nasumično podeljeni u dve grupe. Rezultati rizika za studijsku grupu su podeljeni sa njihovim timovima za lečenje; rezultati za one u kontrolnoj grupi nisu bili.
U studijskoj grupi, rezultati za visokorizične pacijente su praćeni preporukama za započinjanje antitrombolitičke terapije kako bi se sprečio razvoj krvnih ugrušaka. Pacijenti u kontrolnoj grupi, koje su njihovi lekari identifikovali kao visokorizične bez oslanjanja na automatski generisani rezultat rizika, takođe su primali razređivače krvi.
Nisu primećene komplikacije krvarenja ni kod jednog od pacijenata koji su primali razređivače krvi prema preporukama studije.
Na kraju ispitivanja, istraživači nisu pronašli nikakvu razliku u stopi krvnih ugrušaka između studijske i kontrolne grupe. Analiza medicinske dokumentacije otkrila je da je preporuka da se počne sa lekom za razređivanje krvi kod pacijenata sa visokim rizikom u studijskoj grupi poštovana samo u 25,8% vremena.
„Bez izvođenja suđenja,“ rekao je Voker, „bilo bi nemoguće identifikovati potencijalne razloge zbog kojih je intervencija bila neuspešna“. To nije bio neuspeh modela, dodala je, već je to moglo biti zbog nevoljnosti da prihvati preporuke.
Primena veštačke inteligencije u kliničkoj praksi naišla je na udeo odbijanja, rekao je Voker. Skeptici su tvrdili da implementacija i evaluacija algoritama, „matica i vijaka“ alata AI, nije izvodljiva, da oduzima previše vremena i da će iscrpiti ionako ograničene kliničke resurse.
Ispitivanje CLOT pokazalo je da se rezultati mogu dobiti brzo, bez oporezivanja vremena ili resursa tima za lečenje, automatskim randomizacijom i upisom pacijenata u kliničko ispitivanje koristeći informacije koje već postoje u elektronskom medicinskom kartonu.
Pokazao je izvodljivost procene vrednosti prediktivnih AI modela u zdravstvenoj zaštiti. Ali još treba da se uradi.
Voker, Birn i njihove kolege planiraju još jedno ispitivanje kako bi bolje razumeli oklevanje lekara da prihvate preporuku da započnu terapiju za razređivanje krvi kod pacijenata sa visokim rizikom od stvaranja krvnih ugrušaka i kako to prevazići.
„Vanderbilt sprovodi rigoroznu nauku kako bi osigurao da su ovi alati veštačke inteligencije bezbedni i da poboljšaju rezultate pre nego što to potvrdimo. Druge bolnice i dobavljači veštačke inteligencije preskaču nauku“, primetio je Birn, autor nove knjige, Veštačka inteligencija za poboljšane ishode pacijenata—Principi za napredovanje sa rigoroznom naukom.
„Moramo da se uverimo da ovi modeli rade kako se očekuje“, dodao je Voker. „Infrastruktura iz ovog ispitivanja će omogućiti velikim populacijama studija, da utvrde da li su intervencije koje koriste veštačku inteligenciju bezbedne i efikasne, i da pomogne u identifikaciji pacijenata koji mogu imati najviše koristi.“
