Využitie AI na predikciu sepsy
Úvodný obrázok zdroj: Vector8DIY, Pixabay
Vedeli ste, že miera úmrtnosti v prípade sepsy (otravy krvi) sa zvyšuje každú hodinu až o 8 %, ak nie sú podávané antibiotiká? Môže umelá inteligencia pomôcť aj tu, keď sú niektoré baktérie odolné voči antibiotikám a vo svete umiera tretina až polovica pacientov? A číslo je ešte vyššie, nakoľko býva príčina úmrtia uvádzané ochorenie, ktorým pacient trpel a nie sepsa, ktorú následne dostal. Príznaky nie sú ničím zvláštne, avšak v spojení s infekciou či prípadným poranením treba sledovať :
- Teplotu – zvýšenú, ale aj zníženú,
- dychovú frekvenciu – viac ako 22 vdychov za minútu,
- tepovú frekvenciu – viac ako 90 úderov za minútu,
- niektoré stránky uvádzajú aj zimnicu či triašku.
Zdroj: congerdesign, Pixabay
Úspešná predikcia začiatočného štádia
Riaditeľ začínajúcej spoločnosti Rubicon Health James Courtney Fackler, profesor a zároveň aj doktor skupiny Johns Hopkins Medicine zahŕňajúca nemocnicu aj univerzitu, sa podujal na úlohu začleniť umelú inteligenciu do predikcie sepsy. Tento stav ohrozuje jedného z troch dospelých v porovnaní s jedným z 10 detí. Ako sám hovorí, pri 40 jednotkách intenzívnej starostlivosti sa často stretáva tím so 14 000 údajmi. Nové riešenie neponúka v porovnaní s klasickými metódami s predikciou okolo 19 % nič prevratné. Výsledky sa pohybovali okolo 20 %. Umelá inteligencia však dodá komplexnosť pri riešení prípadu, nehovoriac o tom, že spracovanie trvá kratší čas, a tak verí, že je to znak sľubného začiatku. Pri bežnom rozhovore s pacientom by možno chýbali informácie, ktoré model strojového učenia vďaka nastavenému vzoru sám získa a tým zachráni život pacienta. Fackler verí, že v budúcnosti dokážu prostredníctvom umelej inteligencie znížiť štatistiku úmrtí.
Navrhnutý model pre septický šok
Sepsa má tri štádiá a tím s dr. Facklerom sa pozrel aj na jej najkritickejšie štádium – septický šok. V modeli využili 3 prístupy strojového učenia (najlepšie výsledky dosiahli rekurentné neurónové siete [RNN] o ktorých sme napísali samostatný článok) a trénovali ho na 70 % datasetu s obsahujúcimi údajmi od 15 930 dospelých pacientov (pozn. úlohu zohráva aj vek pacienta). Riziko tretieho štádia úspešne detegovali RNN v 88 % prípadov, v tabuľke nižšie označené ako „TP – true positive“.
Zdroj: práca tímu J.C.Facklera, upravené
Najlepší čas predikcie septického šoku ukázali opäť RNN s časom 7 hodín, čo znamená, že personál by mal dostatok času vyhodnotiť správny postup liečby daného pacienta pred vypuknutím šoku.
Uvidíme, či sa im podarí natrénovať základný model tak, aby rovnako efektívne dokázal predikovať prvotné štádium vypuknutia sepsy.
Zdroje: AI Trends, Slovenský pacient, NPZ
Ran Liu, Joseph L. Greenstein, Stephen J. Granite, James C. Fackler, Melania M. Bembea, Sridevi V. Sarma, Raimond L. Winslow: Data-driven discovery of a novel sepsis pre-shock state predicts impending septic shock in the ICU
