Z umetno inteligenco nad sepso

Švedska raziskovalna skupina v reviji JMIR Formative Research poroča o algoritmu strojnega učenja, ki so ga razvili za napoved pojava sepse v enotah intenzivne terapije.

Zastrupitev krvi oziroma sepsa je sistemski vnetni odziv na vdor bolezenskih mikroorganizmov in njihovih toksinov v kri. Brez zdravljenja se lahko stopnjuje do septičnega šoka, odpovedi številnih organov in smrti. Sepsa je eden izmed glavnih vzrokov smrti pri pacientkah in pacientih v enotah intenzivne terapije. Za uspešno zdravljenje je ključno zgodnje odkrivanje.

Sepso spremlja skupek simptomov in znakov, poleg tega je zgodnje odkrivanje težavno še zaradi heterogenega odziva pacientk in pacientov in pomanjkanja zanesljivih biomarkerjev za njeno odkrivanje. Diagnozo sepse zdravstveno osebje postavi na podlagi kliničnih pregledov, laboratorijskih izvidov in informacij, ki jih odčitajo z medicinskih naprav za spremljanje pacientk in pacientov. Slabost takega načina diagnosticiranja pa je v tem, da je subjektiven in časovno potraten.

Švedska raziskovalna skupina je zato ustvarila algoritem strojnega učenja za napoved pojava sepse pri pacientkah in pacientih v enotah intenzivne terapije. Algoritem so razvili z umetnimi nevronskimi mrežami, napravami za obdelavo informacij, ki delujejo po vzoru bioloških nevronskih mrež v možganih. Nevronske mreže so učili na delu podatkov Laboratorija za računsko fiziologijo ameriške univerze MIT, ki vsebuje klinične informacije pacientk in pacientov, hospitaliziranih v enotah intenzivne terapije in starih vsaj 18 let.

Algoritem napove verjetnost pojava sepse v naslednjih treh urah na podlagi dvajsetih informacij, ki se že sedaj rutinsko zbirajo v teh enotah, denimo starost, srčni utrip, krvni tlak, krvni sladkor, temperatura, saturacija s kisikom. Uspešnost napovedi pojava sepse so raziskovalke in raziskovalci preizkusili na drugem delu podatkov o pacientkah in pacientih, torej tistemu delu podatkov, ki ni bil uporabljen za učenje nevronskih mrež. Učinkovitost algoritma so izračunali kot razmerje med tistimi, pri katerih je algoritem pravilno napovedal, da bodo razvili sepso, in med lažno pozitivnimi, torej tistimi, za katere je algoritem zmotno predvidel razvoj sepse. Ugotovili so, da je algoritem zelo učinkovit pri prepoznavanju pacientk in pacientov, ki imajo visoko tveganje za nastanek sepse, z nizkim deležem lažno pozitivnih.

Zgodnje odkrivanje sepse je ključno za uspešno zdravljenje in preprečitev smrti. Čeprav ima trenutni algoritem nekaj omejitev, denimo to, da je bil preizkušen le na retrospektivnih podatkih, ima tudi velik potencial za uporabo v klinični praksi, saj daje boljše napovedi od obstoječih opozorilnih sistemov. Trenutno se tudi že izvaja klinična študija, v kateri bodo prospektivno preizkušali uspešnost napovedovanja tega algoritma.

Z biološkimi nevronskimi mrežami je Znanstevni britoff ustvarila Angelika.