Mislav
Algoritam koji otkriva sepsu smanjuje smrtnost za gotovo 20%
Tijekom dvije godine, program strojnog učenja upozorio je tisuće pružatelja zdravstvenih usluga na pacijente s visokim rizikom od sepse, dopuštajući im da započnu tretmane gotovo dva sata ranije
Bolnički pacijenti izloženi su velikom broju komplikacija opasnih po život, osobito sepsi—stanju koje može usmrtiti unutar nekoliko sati i pridonosi jednoj od tri bolničke smrti u SAD-u Prezaposleni liječnici i medicinske sestre često imaju malo vremena za svaki strpljiv, a ovaj problem može proći nezapaženo dok ne bude prekasno.
Akademici i tvrtke koje se bave elektroničkim zdravstvenim kartonima razvili su automatizirane sustave koji šalju podsjetnike da provjere pacijente na sepsu, ali sam broj upozorenja može uzrokovati da pružatelji zdravstvenih usluga ignoriraju ili isključe te obavijesti. Istraživači pokušavaju upotrijebiti strojno učenje za fino podešavanje takvih programa i smanjenje broja upozorenja koja generiraju. Sada je jedan algoritam dokazao svoju snagu u stvarnim bolnicama, pomažući liječnicima i medicinskim sestrama da u prosjeku liječe slučajeve sepse gotovo dva sata ranije—i smanjujući stopu bolničke smrtnosti od tog stanja za 18 posto.
Sepsa, koja se događa kada tijelo reagira na infekcijuizmiče kontroli, može dovesti do zatajenja organa, gubitka udova i smrti. Otprilike 1,7 milijuna odraslih u SAD-u svake godine dobije sepsu, a oko 270.000 njih umre, prema Centrima za kontrolu i prevenciju bolesti. Iako većina slučajeva nastaje izvan bolnice, stanje je glavni uzrok smrtnosti pacijenata u ovom okruženju. Uočavanje problema što je prije moguće ključno je za sprječavanje najgorih ishoda. “Sepsa se razvija iznimno brzo – kao u roku od nekoliko sati ako ne dobijete pravodobno liječenje”, kaže Suchi Saria, izvršni direktor i osnivač Bayesian Healtha, tvrtke koja razvija algoritme strojnog učenja za medicinsku upotrebu. “Izgubio sam nećaka od sepse. A u njegovom slučaju, na primjer, sepsa nije posumnjana ili otkrivena sve dok nije već bio u kasnim fazama onoga što se zove septički šok…, gdje se mnogo teže oporaviti.”
Ali u prometnoj bolnici, brza dijagnoza sepse može biti teška. Prema sadašnjem standardu skrbi, objašnjava Saria, pružatelj zdravstvenih usluga trebao bi obratiti pozornost kada pacijent pokaže bilo koja dva od četiri znaka upozorenja na sepsu, uključujući groznicu i smetenost. Neki postojeći sustavi upozorenja upozoravaju liječnike kada se to dogodi—ali mnogi pacijenti pokazuju najmanje dva od četiri kriterija tijekom tipičnog boravka u bolnici, kaže Saria, dodajući da to može programima upozorenja dati visoku stopu lažno pozitivnih rezultata. “Mnogi od tih drugih programa imaju tako visoku stopu lažnih uzbuna da davatelji usluga isključuju to upozorenje, a da to i ne priznaju”, kaže Karin Molander, liječnica hitne medicine i predsjednica neprofitne organizacije Sepsis Alliance i nije bila uključena u razvoj novog algoritma za otkrivanje sepse. Zbog toga koliko se često pojavljuju znakovi upozorenja, liječnici također moraju uzeti u obzir čimbenike kao što su dob osobe, povijest bolesti i nedavni rezultati laboratorijskih pretraga. Međutim, sastavljanje svih relevantnih informacija zahtijeva vrijeme – vrijeme koje pacijenti sa sepsom nemaju.
U dobro povezanom sustavu elektroničkih zapisa dostupni su poznati čimbenici rizika za sepsu, ali može potrajati da se otkriju. Tu na scenu stupaju algoritmi strojnog učenja. Nekoliko akademskih i industrijskih grupa podučava ove programe kako bi prepoznali čimbenike rizika za sepsu i druge komplikacije te upozorili pružatelje zdravstvenih usluga koji su pacijenti u posebnoj opasnosti.
Saria i njezini kolege sa Sveučilišta Johns Hopkins, gdje ona vodi Laboratorij za strojno učenje i zdravstvenu skrb, započeli su rad na jednom takvom algoritmu 2015. Program je skenirao elektroničke zdravstvene kartone pacijenata u potrazi za čimbenicima koji povećavaju rizik od sepse i kombinirao te informacije s trenutnim vitalnim znakovima i laboratorijske testove za stvaranje rezultata koji pokazuju koji će pacijenti vjerojatno razviti septički šok. Nekoliko godina kasnije, Saria je osnovala Bayesian Health, gdje je njezin tim koristio strojno učenje za povećanje osjetljivosti, točnosti i brzine svog programa, nazvanog Ciljani sustav ranog upozoravanja u stvarnom vremenu (TREWS).
Sepsa. Složeni skenirajući elektronski mikrograf u boji (SEM). Bakterije među crvenim krvnim stanicama iz krvožilnog sustava. Kada soj štetnih bakterija dospije u krvotok, nastala infekcija naziva se bakterijska sepsa ili bakteriemija (poznata kao trovanje krvi)
Nedavno su Saria i tim istraživača procijenili učinak TREWS-a u stvarnom svijetu. Program je bio uključen tijekom dvije godine u tijek rada oko 2000 pružatelja zdravstvenih usluga na pet lokacija povezanih sa sustavom Johns Hopkins Medicine, pokrivajući i akademske ustanove s dobrim resursima i lokalne bolnice. Liječnici i medicinske sestre koristili su program u više od 760 000 susreta s pacijentima—uključujući više od 17 000 kod kojih se razvila sepsa. Rezultati ovog ispitivanja, koji sugeriraju da je TREWS doveo do ranije dijagnoze sepse i smanjene smrtnosti, opisani su u tri rada objavljena u npj Digital Medicine and Nature Medicine krajem prošlog mjeseca.
“Mislim da bi se ovaj model strojnog učenja mogao pokazati vitalnim za liječenje sepse kao što se EKG [elektrokardiogram] uređaj pokazao u dijagnosticiranju srčanog udara”, kaže Molander. “Omogućit će kliničaru da ode od računala…, pokušavajući analizirati 15 godina vrijedne informacije, da se vrati do kreveta i brže ponovno procijeni pacijenta – a to je mjesto gdje mi trebamo biti.”
TREWS nije prvi program koji je pokazao svoju vrijednost u takvim ispitivanjima. Mark Sendak, liječnik i voditelj znanosti o zdravlju stanovništva i podacima na Duke institutu za zdravstvene inovacije, radi na sličnom programu koji su razvili istraživači Dukea, pod nazivom Sepsis Watch . Ističe da su drugi sustavi strojnog učenja usmjereni na zdravstvenu skrb – ne nužno oni posebno stvoreni za otkrivanje sepse – već prošli opsežna ispitivanja . Jedan revolucionarni test sustava koji se temelji na umjetnoj inteligenciji za dijagnosticiranje komplikacija dijabetesa osmišljen je uz pomoć američke Uprave za hranu i lijekove. Ostali programi također su testirani u više različitih bolničkih sustava, napominje.
“Ovi alati imaju vrijednu ulogu u poboljšanju načina na koji skrbimo o pacijentima”, kaže Sendak, dodajući da je novi sustav “još jedan primjer toga.” Nada se da će vidjeti još više studija, idealno standardiziranih ispitivanja koja uključuju istraživačku potporu i vodstvo vanjskih partnera, kao što je FDA, koji nemaju udjela u rezultatima. Ovo je izazov jer je iznimno teško dizajnirati zdravstvene pokuse sustava strojnog učenja, uključujući nove studije o TREWS-u. “Sve što uzima algoritam i stavlja ga u praksu i proučava kako se koristi i njegov učinak je fenomenalan”, kaže on. “I učiniti to u recenziranoj literaturi – goleme pohvale.”
Kao liječnik hitne pomoći, Molander je bio impresioniran činjenicom da umjetna inteligencija ne donosi odluke o sepsi u ime pružatelja zdravstvenih usluga. Umjesto toga označava elektronički zdravstveni karton pacijenta tako da, kada liječnici ili medicinske sestre provjeravaju karton, vide bilješku da je pacijent u opasnosti od sepse, kao i popis razloga zašto. Za razliku od nekih programa, sustav upozorenja za TRWES ne sprječava “kliničara da obavlja bilo koji drugi posao [na računalu] bez potvrde upozorenja”, objašnjava Molander. “Imaju mali podsjetnik tamo, u kutu sustava, koji kaže: ‘Gledajte, ova osoba ima veći rizik od dekompenzacije [zatajenja organa] zbog sepse, i ovo su razlozi zašto mislimo da se trebate zabrinuti . ‘” To pomaže zaposlenim liječnicima i medicinskim sestrama da odrede prioritete koje će pacijente prvo pregledati, a da pritom ne umanjuju njihovu sposobnost donošenja vlastitih odluka. “Mogu odlučiti da se ne slažu jer mi ne želimo oduzeti autonomiju pružatelju”, kaže Saria. “Ovo je alat za pomoć. Ovo nije alat koji im govori što da rade.”
Ispitivanje je također prikupilo podatke o tome jesu li liječnici i medicinske sestre bili voljni koristiti sustav za uzbunjivanje kao što je TREWS. Na primjer, 89 posto njegovih obavijesti zapravo je procijenjeno, a ne automatski odbačeno, kao što je Molander opisao da se događa s nekim drugim sustavima. Spremnost pružatelja zdravstvenih usluga da provjere program mogla bi biti zato što je TREWS smanjio visoku stopu lažnih obavijesti o sepsi za faktor 10, prema priopćenju za tisak Bayesian Healtha, smanjujući gomilu upozorenja i olakšavajući razlikovanje koje pacijenti su bili u stvarnoj opasnosti. “To je nevjerojatno”, kaže Molander. “To je doista važno jer omogućuje pružateljima usluga da povećaju svoje povjerenje u strojno učenje.”
Izgradnja povjerenja je važna, ali isto tako i prikupljanje dokaza. Zdravstvene ustanove vjerojatno ne bi prihvatile sustave strojnog učenja bez dokaza da dobro funkcioniraju. “U tehnici su ljudi puno spremniji usvojiti nove ideje ako vjeruju u misaoni proces. Ali u medicini su vam doista potrebni rigorozni podaci i prospektivne studije kako biste poduprli tvrdnju o skalabilnom usvajanju,” kaže Saria.
“U nekom smislu, gradimo proizvode dok također gradimo bazu dokaza i standarde za to kako se posao treba provoditi i kako potencijalni korisnici moraju pažljivo proučiti alate koje gradimo”, kaže Sendak. Postizanje širokog usvajanja za bilo koji algoritamski sustav uzbunjivanja je izazov jer različite bolnice mogu koristiti različite softvere za elektroničke zapise ili možda već imaju konkurentski sustav. Mnoge bolnice također imaju ograničene resurse, što im otežava procjenu učinkovitosti algoritamskog alata za uzbunjivanje—ili pristup tehničkoj podršci kada takvi sustavi neizbježno zahtijevaju popravke, ažuriranja ili rješavanje problema.
Ipak, Saria se nada da će iskoristiti nove podatke ispitivanja kako bi proširila upotrebu TREWS-a. Kaže da gradi partnerstva s više tvrtki za elektroničku evidenciju kako bi mogla ugraditi algoritam u više bolničkih sustava. Ona također želi istražiti mogu li algoritmi strojnog učenja upozoriti na druge komplikacije koje ljudi mogu doživjeti u bolnicama. Na primjer, neki se pacijenti moraju nadzirati radi srčanog zastoja, obilnog krvarenja i dekubitusa, što može utjecati na zdravlje tijekom boravka u bolnici i oporavka nakon toga.
„Puno smo naučili o tome kako izgleda ‘vještačka inteligencija učinjeno kako treba’ i objavili smo značajan broj o tome. Ali ovo sada pokazuje da AI učinjena kako treba zapravo dobiva usvajanje od pružatelja usluga,” kaže Saria. Uključivanjem programa umjetne inteligencije u postojeće sustave evidencije, gdje može postati dio tijeka rada pružatelja zdravstvenih usluga, „možete odjednom početi probijati svoj put kroz sve te štete koje se mogu spriječiti kako biste poboljšali ishode—što koristi sustavu, koristi pacijentu i koristi kliničarima.”