Оптимизация сроков лечения сепсиса с помощью модели машинного обучения

Прочитано: 96 раз(а)


По словам исследователей, новая модель машинного обучения, которая оценивает оптимальные сроки лечения сепсиса, может проложить путь к инструментам поддержки, которые помогут врачам персонализировать решения о лечении у постели больного.

В статье, опубликованной в журнале Nature Machine Intelligence, ученые из Университета штата Огайо описывают новую модель, которая использует искусственный интеллект для решения сложного вопроса о том, когда вводить антибиотики пациентам с подозрением на сепсис.

Время имеет решающее значение, потому что сепсис, подавляющая реакция организма на инфекцию, может быстро привести к отказу органов. И все же его симптомы — лихорадка, низкое кровяное давление , учащение пульса и проблемы с дыханием — могут выглядеть как множество других заболеваний. Федеральные руководящие принципы призывают к быстрому лечению антибиотиками широкого спектра действия в качестве первой линии защиты — стратегия, которая обычно требует принятия мер до того, как в лаборатории можно будет получить культуры, подтверждающие бактериальную инфекцию.

Модель была разработана с учетом этих неопределенностей и нехватки времени.

Исследователи проверили эффективность модели, используя информацию о пациентах в интенсивной терапии из базы данных США и Европы, сравнив результаты у пациентов, чье фактическое лечение соответствовало рекомендованному моделью графику лечения, с результатами для пациентов, чье фактическое лечение отличалось от того, что модель рекомендовала бы на основе об их жизненно важных показателях, результатах лабораторных исследований и демографических данных, связанных с риском. Мерой, представляющей результат, была выживаемость пациентов через 30 и 60 дней после лечения сепсиса.

«Мы показали, что, когда фактическое лечение и искусственный интеллект согласуются, у нас более низкий уровень смертности. Если они не согласуются, уровень смертности может достигать 25%», — сказал старший автор Пинг Чжан, доктор философии. доцент кафедры информатики, инженерии и биомедицинской информатики в штате Огайо.

Модель была обучена и проверена на наборе данных, полученном из общедоступной базы данных под названием MIMIC-III . Модель тестировалась на разных частях MIMIC-III и новом внешнем наборе данных от AmsterdamUMCdb.

Ключевые показатели почти 14 000 человек с сепсисом включали изменения показателей жизнедеятельности пациентов и результатов лабораторных анализов с течением времени, которые служат индикаторами тяжести заболевания и типа инфекции, а также инновационный метод, разработанный для сравнения результатов для пациентов, получавших и не получавших антибиотики. в определенное время.

«Мы хотим, чтобы моделирование предсказывало, полезно ли использовать антибиотики в данный момент времени — да или нет. Но мы никогда не узнаем, что произойдет, если мы не дадим антибиотик. Поэтому мы применили к этой модели концепцию клинических испытаний: Для каждого пациента, принимавшего препарат, мы включили подходящего, клинически похожего пациента, который не принимал антибиотики в то время», — сказал Чжан, который возглавляет лабораторию искусственного интеллекта в медицине, а также является одним из основных преподавателей Трансляционной лаборатории штата Огайо. Институт аналитики данных.

«Таким образом, мы можем предсказать контрфактический результат и обучить модель контрфактического лечения, чтобы выяснить, работает ли лечение сепсиса или нет».

Сепсис является причиной более чем одной трети внутрибольничных смертей и чаще всего наблюдается в отделениях интенсивной терапии и отделениях неотложной помощи, «где мы часто принимаем решения без золотого стандарта — результатов культуры», — говорится в совместном исследовании. автор Кэтрин Бак, доктор медицинских наук, доцент кафедры неотложной медицины в Медицинском колледже и директор отделения неотложной гериатрической помощи в Медицинском центре Векснера штата Огайо. «Не у каждого пациента, который соответствует критериям сепсиса, есть доказательства бактериальной инфекции».

Антибиотики небезопасны: они могут быть токсичными для почек, вызывать аллергическую реакцию или вызывать C. difficile, инфекцию, вызывающую сильную диарею и воспаление толстой кишки.

«Начало этой статьи заключается в том, можем ли мы использовать информацию, доступную клиницистам, иногда на переднем крае, а иногда нет, чтобы сказать: «Вещи меняются таким образом, чтобы предположить, что пациент получит пользу от антибиотиков», — сказал Бак. «Инструмент поддержки принятия решений мог бы сообщить клиницистам, соответствует ли он тому, что мы уже думаем, или побудить нас спросить себя, что мы упускаем. Будем надеяться, что со временем все данные электронных медицинских карт, которые у нас есть, выявят сигналы — и оттуда это вопрос выяснения того, как их использовать и как донести это до клиницистов».

По словам Чжан, эти идеи и доступность данных электронных медицинских карт были важны для подачи в модель нужных данных и ее разработки с учетом множества соображений, возникающих в связи с изменением медицинских обстоятельств.

«Мы смоделировали историю болезни так, будто это язык», — сказал он. «А для машинного обучения мы всегда обучаем модель пакет за пакетом — вам нужна модель для анализа шаблона данных, установки параметров и на основе этих параметров добавления еще одного обучающего набора данных для внесения улучшений. И тогда машина всегда находит лучшее параметры, соответствующие модели».

Ключевой мерой, используемой для определения того, как модель приходит к рекомендации, является оценка последовательной оценки отказа органов (SOFA), которая используется для регулярной оценки работы систем органов пациента в отделении интенсивной терапии на основе результатов шести лабораторных тестов. Исследователи провели примеры тематических исследований, чтобы продемонстрировать, как может выглядеть интерфейс, разработанный для клинических условий , показав, как меняются оценки SOFA, когда модель корректирует рекомендуемый график лечения на основе изменений в персонализированных данных пациента.

«Наша статья — первая, в которой искусственный интеллект используется для выработки рекомендаций по антибиотикам при сепсисе с использованием реальных данных для помощи в принятии клинических решений», — сказал Чжан. «Любое исследование, подобное этому, требует клинической проверки — это первая фаза ретроспективного анализа данных, а вторая фаза будет включать сотрудничество человека и ИИ для улучшения ухода за пациентами».

Оптимизация сроков лечения сепсиса с помощью модели машинного обучения



Новости партнеров