211service.com
Uczenie maszynowe i przewidywanie ryzyka na oddziale intensywnej terapii
Oddział intensywnej opieki medycznej (OIOM) jest jednym z pomieszczeń o największej ilości danych w szpitalu, ale informacje płynące z monitorów pracy serca, respiratorów i czujników ciśnienia zazwyczaj nie są integrowane i analizowane w celu umożliwienia głębszego zrozumienia stanu pacjenta. Aby to zmienić, startup z obszaru Bostonu Etiometria buduje system wspomagania decyzji klinicznych, który może interpretować duże ilości danych pacjentów w czasie rzeczywistym i dostarczać lekarzom migawkowy widok przydatnych informacji.
Założyciele Etiometrii, niektórzy z nich byli inżynierami nawigacji lotniczej i kosmicznej, zainspirowali się tym, co postrzegali jako brak kontroli systemów lub analizy danych pacjentów oraz jeszcze większy brak narzędzi pomagających lekarzom w podejmowaniu decyzji. Masz wszystkie te dane wygenerowane na OIOMie, ale nie masz technologii, która by z nimi coś robiła – mówi Dimitar Baronov, wiceprezes i dyrektor ds. technologii w Etiometry. Jedyne, co masz, to wiedza i szkolenie ludzi. Analityka może pomóc lekarzom interpretować ich dane, ostatecznie pozwalając im podejmować lepsze decyzje, interweniować w bardziej terminowy sposób i wykrywać zdarzenia niepożądane, zanim one wystąpią, mówi prezes i dyrektor generalny Evan Butler.
Narzędzia wspomagające podejmowanie decyzji klinicznych kierują diagnostyką i leczeniem, umieszczając dane pacjenta w modelach predykcyjnych, które zostały zbudowane na podstawie wcześniejszych wyników leczenia pacjentów. Idee stojące za wspomaganiem decyzji nie są nowe — od dziesięcioleci naukowcy próbowali wprowadzić do szpitala narzędzia obliczeniowe, które mogą pomóc lekarzom w podejmowaniu decyzji związanych z diagnozą i leczeniem pacjentów. Duże firmy, takie jak Siemens oraz Philips oferować produkty, które ostrzegają lekarzy o wczesnych oznakach pogarszania się stanu zdrowia pacjenta, a także organizacje badawcze, takie jak: Laboratorium Draperskie opracowują podobne programy wspierania decyzji w czasie rzeczywistym.
Jednak złożoność biologii człowieka i powolne przyjmowanie zapisów elektronicznych przez szpitale opóźniły tę technologię. Mówi się, że istnieje duża zmienność między pacjentami Dziekan Sittig , naukowiec zajmujący się systemami informacji klinicznej z University of Texas Health Science Center w Houston, tak że normalne tętno dla jednej osoby może być bliskie śmierci dla innej. Co więcej, perspektywa komputera jest ograniczona. Komputer zwykle analizuje jeden mały aspekt problemu pacjenta, ale nie rozumie kontekstu, mówi Sittig. Doświadczony lekarz może zrozumieć ogromny obraz tego, co dzieje się z pacjentem.
Kolejnym wyzwaniem była dominacja przechowywania danych w formie papierowej, co ograniczyło ilość danych dostępnych dla naukowców próbujących wykorzystać uczenie maszynowe do budowania lepszych modeli opieki nad pacjentem. Zazwyczaj większość szpitali przechowuje dane na urządzeniach OIOM przez około 72 godziny, a następnie je wyrzuca, mówi Butler. W ciągu ostatnich kilku lat to, co naprawdę umożliwiło naszej technologii, to fakt, że inne firmy przychodzą do szpitali i zapisują wszystkie dane.
Używanie tych dużych zbiorów danych do ulepszania modelowania predykcyjnego to potężny pomysł, mówi Piotr Szolovits , szef Klinicznej Grupy Podejmowania Decyzji w Laboratorium Informatyki i Sztucznej Inteligencji MIT. Jeśli modele są wystarczająco dokładne, możesz ich użyć, próbując zdecydować między różnymi terapiami dla pacjenta. Takie modele, wyszkolone na danych rzeczywistych pacjentów, mogą informować lekarzy, jakie będą różne przewidywane wyniki dla każdej opcji leczenia oraz stopień niepewności związany z każdą prognozą.
Technologia Etiometry przedstawia te informacje w przyjaznym dla użytkownika interfejsie, który pozwala lekarzom szybko sprawdzić, którzy pacjenci OIOM są narażeni na wystąpienie zdarzeń niepożądanych, a następnie przyjrzeć się bliżej każdemu z nich, przeglądając szczegółową listę potencjalnych zdarzeń i prawdopodobieństwo ich wystąpienia. stanie się. Zespół twierdzi, że ich struktura może interpretować wszystkie dane pacjenta wygenerowane na OIOM – od danych chwilowych, takich jak tętno, po dane zbierane przez wiele godzin, takie jak badania krwi.
Firma skoncentrowała się na pediatrycznych oddziałach intensywnej terapii, wykorzystując uczenie maszynowe do tworzenia algorytmów na podstawie danych retrospektywnych otrzymanych z Boston Children's Hospital, Toronto Hospital for Sick Children i innych ośrodków. Planuje rozpocząć testy z danymi w czasie rzeczywistym w przyszłym roku.