Согласно исследованию, представленному на Международной конференции Американского торакального общества в 2017 году, алгоритм машинного обучения может выявлять госпитализированных пациентов с риском тяжелого сепсиса и септического шока, используя данные из электронных медицинских карт (EHR). Сепсис – это крайняя системная реакция на инфекцию, которая может быть опасной для жизни на поздних стадиях тяжелого сепсиса и септического шока, если ее не лечить.
"Мы разработали и проверили первый алгоритм машинного обучения для прогнозирования тяжелого сепсиса и септического шока в крупной академической многобольничной системе здравоохранения," сказал ведущий автор Хизер Джаннини, доктор медицины, больницы Пенсильванского университета. "Это прорыв в использовании технологии машинного обучения, который может изменить парадигму раннего вмешательства при сепсисе."
Машинное обучение – это тип искусственного интеллекта, который дает компьютерам возможность изучать сложные шаблоны данных без явного программирования, в отличие от более простых систем, основанных на правилах. В более ранних исследованиях использовались данные электронных медицинских карт для запуска предупреждений для выявления общего клинического ухудшения.
Исследователи разработали алгоритм машинного обучения для прогнозирования пациентов, наиболее подверженных риску тяжелого сепсиса или септического шока, и использования их электронных медицинских карт для оповещения бригады по уходу. Для разработки алгоритма они обучили случайный лесной классификатор, подход к классификации широкого диапазона данных, для сортировки данных электронных медицинских карт для 162212 пациентов, выписанных в период с июля 2011 года по июнь 2014 года из трех больниц скорой помощи системы здравоохранения Университета Пенсильвании. Алгоритм мог непрерывно проверять сотни переменных. Пациенты с тяжелым сепсисом или септическим шоком были помечены как таковые за 12 часов до фактического начала тяжелого сепсиса или септического шока. Начало было определено на основании результатов лабораторных исследований и физиологических данных, таких как артериальное давление. В общей сложности 943 пациента в базе данных соответствовали назначенным лабораторным или физиологическим критериям.
Алгоритм был проверен в режиме реального времени с октября по декабрь 2015 года на 10 448 пациентах, которые лечились в исследуемых больницах, с использованием "бесшумный режим" выборки из электронных медицинских карт.
Примерно 3 процента всех пациентов, оказывающих неотложную помощь, были признаны положительными, и ежедневно в три больницы отправлялось 10 предупреждений.
"Мы надеялись выявить тяжелый сепсис или сепический шок, когда было достаточно рано вмешаться и до того, как началось какое-либо ухудшение," сказал старший автор Крейг Умшайд, доктор медицины, больницы Пенсильванского университета. "Алгоритм смог это сделать. Это прорыв, демонстрирующий, что машинное обучение может точно выявлять тех, кто подвержен риску тяжелого сепсиса и септического шока."
Доктор. Умшайд добавил, что следующие шаги – изучить изменения процесса и результатов, возникающие в результате использования этого алгоритма машинного обучения, и посмотреть, влияет ли алгоритм на клиническую практику.