Dodatni kiseonik je među najčešće propisivanim terapijama u svetu, sa procenjenim da 13 do 20 miliona pacijenata širom sveta zahteva isporuku kiseonika mehaničkom ventilacijom svake godine. Mehanička ventilacija – oblik podrške životu – je tehnologija koja pomera vazduh koji može da se diše u i iz pluća, delujući kao meh. Ventilatori su se pomerili daleko dalje od mašina za „gvozdena pluća“ koje neki ljudi mogu zamisliti; sada su aparati napredovali do sofisticiranih, kompaktnih digitalnih mašina koje isporučuju kiseonik kroz malu plastičnu cev koja ide niz grlo.
Uprkos tehnološkom napretku, tačna količina kiseonika za isporuku svakom pacijentu ostala je igra pogađanja. Kliničari propisuju nivoe kiseonika koristeći uređaje koji beleže zasićenost SpO 2, koji mere količinu kiseonika u krvi pacijenta. Međutim, prethodna istraživanja nisu mogla da utvrde da li je viši ili niži cilj SpO 2 bolji za pacijente.
„Standard nege je održavanje zasićenosti kiseonikom između 88 i 100; u okviru tog opsega, lekari su morali da odaberu nivo kiseonika za ventilaciju bez da imaju visokokvalitetne podatke za donošenje odluka“, rekao je Kevin Buell, MBBS, saradnik za plućnu i intenzivnu negu na Medicinskom univerzitetu u Čikagu. „Sviđalo nam se to ili ne, donošenje te odluke za svakog pacijenta izlaže ih potencijalnim koristima ili štetnostima izabranog nivoa kiseonika.
Da bi izvukli nagađanje iz ventilacije, Buell i grupa drugih istraživača su koristili model mašinskog učenja kako bi proučili da li efekti različitih nivoa kiseonika zavise od karakteristika pojedinačnih pacijenata. Rezultati, objavljeni u JAMA, sugerišu da bi personalizovani ciljevi oksigenacije mogli da smanje smrtnost – što bi moglo imati dalekosežne uticaje na intenzivnu negu.
Ranije su neke istraživačke grupe sprovele randomizovana ispitivanja kako bi ispitale da li su viši ili niži nivoi kiseonika bolji za pacijente u celini, ali većina nije dala jasan odgovor. Buell i njegovi saradnici su pretpostavili da umesto da ukazuju na to da nivoi kiseonika ne utiču na ishode pacijenata, neutralni rezultati mogu ukazivati na to da su rezultati lečenja za različite nivoe kiseonika varirali od pacijenta i jednostavno usrednjeni na nulti efekat u randomizovanim ispitivanjima.
Kako personalizovana medicina nastavlja da dobija na snazi, raste interesovanje za korišćenje mašinskog učenja za predviđanje za pojedinačne pacijente. U kontekstu mehaničke ventilacije, ovi modeli bi potencijalno mogli da koriste specifične karakteristike pacijenta da predvide idealan nivo kiseonika za svakog pacijenta. Ove karakteristike su uključivale starost, pol, broj otkucaja srca, telesnu temperaturu i razloge za prijem u Jedinicu intenzivne nege (ICU).
„Nameravali smo da napravimo personalizovano predviđanje zasnovano na dokazima o tome ko će imati koristi od nižeg ili većeg cilja kiseonika kada ode na ventilator“, rekao je Buell, zajednički prvi autor studije.
Ta prethodna randomizovana ispitivanja nisu propala – Buell i njegovi saradnici su koristili podatke iz tih studija da dizajniraju i obuče svoj model mašinskog učenja. Nakon što je model razvijen korišćenjem probnih podataka prikupljenih u SAD, saradnici su ga primenili na podatke pacijenata širom sveta u Australiji i Novom Zelandu. Za pacijente koji su primili oksigenaciju koja je pala u ciljni opseg za koji je model mašinskog učenja predvideo da će biti od koristi za njih, mortalitet je mogao da se smanji za 6,4% ukupno.
Nemoguće je generalizovati predviđanja zasnovana na jednoj osobini – na primer, neće svi pacijenti sa povredama mozga imati koristi od niže zasićenosti kiseonikom iako su podaci iskrivljeni u tom pravcu – zbog čega je kliničarima potreban alat kao što je model mašinskog učenja istraživača da sastaviti mozaik potreba svakog pacijenta. Međutim, Buell je istakao da iako je sam algoritam komplikovan, varijable koje bi zdravstveni timovi uneli su sve poznate kliničke varijable, što svima olakšava implementaciju ove vrste alata u budućnosti.
U UChicago Medicine, zdravstveni timovi već mogu da koriste algoritme direktno integrisane u sistem elektronskog zdravstvenog kartona (EHR) za informisanje o drugim oblastima kliničkog odlučivanja. Buell se nada da će mehanička ventilacija jednog dana moći funkcionisati na isti način. Za bolnice koje možda nemaju resurse da integrišu mašinsko učenje u EHR, on čak predviđa stvaranje veb-bazirane aplikacije koja bi omogućila kliničarima da ukucaju karakteristike pacijenata i dobiju predviđanje na taj način – poput onlajn kalkulatora. Mnogo validacije, testiranja i usavršavanja mora da se desi pre nego što klinička primena postane stvarnost, ali krajnji cilj čini da buduća istraživanja budu vredna ulaganja.
U uvodniku koji je pratio objavljivanje članka, stručnjak za kritičnu negu Derek Angus, MD, napisao je: „Ako su rezultati istiniti i mogu se generalizovati, onda su posledice zapanjujuće. Ako bi se svaki pacijent mogao odmah svrstati u odgovarajuću grupu predviđene koristi ili štete i u skladu sa tim dodeljuju svoj cilj kiseonika, intervencija bi teoretski donela najveće pojedinačno poboljšanje u životima spasenim od kritične bolesti u istoriji terena.“
