211service.com
Maskinlæring og risikoforudsigelse på intensivafdelingen
Intensivafdelingen (ICU) er et af de mest dataintensive rum på et hospital, men informationen, der strømmer ud af hjertemonitorer, ventilatorer og tryksensorer, er generelt ikke integreret og analyseret for at muliggøre en dybere forståelse af patientens tilstand. For at ændre dette, opstart i Boston-området Etiometri bygger et klinisk beslutningsstøttesystem, der kan fortolke store mængder af patientdata i realtid og give læger et øjebliksbillede af handlingsvenlig information.
Etiometris grundlæggere, nogle af dem tidligere ingeniører inden for luftfartsnavigation, blev inspireret af, hvad de så som mangel på systemkontrol eller analyse af patientdata og en endnu større mangel på værktøjer til at hjælpe læger med at træffe beslutninger. Du har alle disse data genereret i ICU, men du har ikke en teknologi, der gør noget ved det, siger Dimitar Baronov, vicepræsident og teknologichef hos Etiometri. Det eneste du har er menneskelig ekspertise og træning. Analytics kan hjælpe læger med at fortolke deres data, hvilket i sidste ende giver dem mulighed for at træffe bedre beslutninger, gribe ind på en mere rettidig måde og fange uønskede hændelser, før de sker, siger præsident og CEO Evan Butler.
Kliniske beslutningsstøtteværktøjer guider diagnoser og behandlinger ved at plugge patientdata ind i prædiktive modeller, der er bygget på tidligere patientresultater. Idéerne bag beslutningsstøtte er ikke nye - i årtier har forskere forsøgt at bringe beregningsværktøjer ind på hospitalet, som kan hjælpe læger med beslutninger relateret til patientdiagnoser og behandling. Store virksomheder som f.eks Siemens og Philips tilbyde produkter, der advarer klinikere om tidlige tegn på en patients svigtende helbred, og forskningsorganisationer som f.eks Draper Laboratory udvikler lignende beslutningsstøtteprogrammer i realtid.
Men kompleksiteten af menneskelig biologi og hospitalernes langsomme indførelse af elektroniske journaler har forsinket teknologien. Der er stor variation mellem patienterne, siger Dean Sittig , en forsker i kliniske informationssystemer ved University of Texas Health Science Center i Houston, således at en normal puls for én person kunne være nær døden for en anden. Desuden er en computers perspektiv begrænset. En computer ser normalt på et lille aspekt af patientens problem, men forstår ikke konteksten, siger Sittig. En ekspertlæge kan forstå det enorme billede af, hvad der foregår med en patient.
En anden udfordring har været overvægten af papirbaseret datalagring, som har begrænset mængden af tilgængelige data for forskere, der forsøger at bruge maskinlæring til at bygge bedre modeller for patientbehandling. Typisk gemmer de fleste hospitaler data på ICU-maskiner i omkring 72 timer og smider dem derefter væk, siger Butler. I de sidste par år er det, der virkelig har aktiveret vores teknologi, at andre virksomheder kommer ind på hospitaler og gemmer alle data.
At bruge disse store datasamlinger til at forbedre prædiktiv modellering er en kraftfuld idé, siger Peter Szolovits , leder af Clinical Decision-Making Group i MIT's Computer Science and Artificial Intelligence Laboratory. Hvis modellerne er nøjagtige nok, kan du bruge dem, når du prøver at vælge mellem forskellige behandlinger for en patient. Sådanne modeller, trænet på reelle patientdata, kunne fortælle lægerne, hvad de forskellige forudsagte resultater ville være for hver behandlingsmulighed og graden af usikkerhed forbundet med hver forudsigelse.
Etiometris teknologi præsenterer denne information i en brugervenlig grænseflade, der lader læger hurtigt se, hvilke intensivpatienter der er i risiko for uønskede hændelser og derefter se nærmere på eventuelle risikopatienter, gennemgå en detaljeret liste over potentielle hændelser og sandsynligheden for, at de vil ske. Holdet siger, at deres rammer kan fortolke alle patientdata genereret på en intensivafdeling - fra øjeblikkelige data, såsom hjertefrekvens, til data indsamlet over flere timer, såsom blodarbejde.
Virksomheden har fokuseret på pædiatriske intensivafdelinger ved at bruge maskinlæring til at bygge algoritmer ud fra retrospektive data, de har modtaget fra Boston Children's Hospital, Toronto Hospital for Sick Children og andre centre. Det planlægger at begynde at teste med realtidsdata i det næste år.