Maskinlæringssystem kan hjælpe kritiske beslutninger i sepsisbehandling

Forskere fra MIT og Massachusetts General Hospital (MGH) har udviklet en prædiktiv model, der kan vejlede klinikere i at beslutte, hvornår de skal give potentielt livreddende lægemidler til patienter, der behandles for sepsis på skadestuen.

Sepsis er en af ​​de hyppigste årsager til indlæggelse, og en af ​​de mest almindelige dødsårsager, på intensivafdelingen. Men langt de fleste af disse patienter kommer først ind gennem skadestuen. Behandlingen begynder normalt med antibiotika og intravenøse væsker, et par liter ad gangen. Hvis patienterne ikke reagerer godt, de kan gå i septisk chok, hvor deres blodtryk falder faretruende lavt og organer svigter. Så er det ofte på intensivafdelingen, hvor klinikere kan reducere eller stoppe væskerne og begynde vasopressor medicin såsom noradrenalin og dopamin, at hæve og vedligeholde patientens blodtryk.

Det er der, tingene kan blive vanskelige. Det er måske ikke nyttigt at administrere væske i for lang tid og kan endda forårsage organskader, så tidlig vasopressorintervention kan være gavnlig. Faktisk, tidlig vasopressoradministration er blevet forbundet med forbedret dødelighed ved septisk shock. På den anden side, administration af vasopressorer for tidligt, eller når det ikke er nødvendigt, har sine egne negative sundhedsmæssige konsekvenser, såsom hjertearytmier og celleskader. Men der er ikke noget entydigt svar på, hvornår man skal foretage denne overgang; klinikere skal typisk nøje overvåge patientens blodtryk og andre symptomer, og derefter foretage en dom.

I et papir, der præsenteres i denne uge på American Medical Informatics Associations årlige symposium, MIT- og MGH-forskerne beskriver en model, der "lærer" af sundhedsdata om akutte sepsispatienter og forudsiger, om en patient får brug for vasopressorer inden for de næste par timer. Til studiet, forskerne kompilerede det første datasæt af sin art nogensinde til ER-sepsispatienter. Ved test, modellen kunne forudsige et behov for en vasopressor mere end 80 procent af tiden.

Tidlig forudsigelse kunne, blandt andet, forhindre et unødvendigt intensivophold for en patient, der ikke har brug for vasopressorer, eller start tidlig forberedelse til intensivafdelingen for en patient, der gør, siger forskerne.

"Det er vigtigt at have gode evner til at skelne mellem, hvem der har brug for vasopressorer, og hvem der ikke gør [i skadestuen], " siger førsteforfatter Varesh Prasad, en ph.d. studerende på Harvard-MIT-programmet i sundhedsvidenskab og teknologi. "Vi kan forudsige inden for et par timer, om en patient har brug for vasopressorer. Hvis, til den tid, patienter fik tre liter IV væske, det kan være overdrevet. Hvis vi vidste på forhånd, at de liter ikke ville hjælpe alligevel, de kunne have startet på vasopressorer tidligere."

I et klinisk miljø, modellen kunne implementeres i en sengeskærm, for eksempel, der sporer patienter og sender advarsler til klinikere i den ofte hektiske skadestue om, hvornår man skal starte vasopressorer og reducere væsker. "Denne model ville være et årvågenheds- eller overvågningssystem, der arbejder i baggrunden, siger medforfatter Thomas Heldt, W. M. Keck karriereudviklingsprofessor ved MIT Institute of Medical Engineering and Science. "Der er mange tilfælde af sepsis, som [klinikere] tydeligt forstår, eller ikke har brug for støtte med. Patienterne kan være så syge ved den første præsentation, at lægerne ved præcis, hvad de skal gøre. Men der er også en 'gråzone' ' hvor den slags værktøjer bliver meget vigtige."

Medforfattere på papiret er James C. Lynch, en MIT kandidatstuderende; og Trent D. Gillingham, Saurav Nepal, Michael R. Filbin, og Andrew T. Reisner, hele MGH. Heldt er også assisterende professor i elektrisk og biomedicinsk teknik i MIT's Department of Electrical Engineering and Computer Science og en hovedefterforsker i Research Laboratory of Electronics.

Andre modeller er blevet bygget til at forudsige, hvilke patienter der er i risiko for sepsis, eller hvornår man skal administrere vasopressorer, på intensivafdelinger. Men dette er den første model, der er trænet på opgaven til skadestuen, siger Heldt. "[ICU] er et senere stadium for de fleste sepsispatienter. Skadestuen er det første kontaktpunkt for patienten, hvor du kan træffe vigtige beslutninger, der kan gøre en forskel i resultatet, " siger Heldt.

Den primære udfordring har været manglen på en ER-database. Forskerne arbejdede sammen med MGH-klinikere over flere år for at udarbejde lægejournaler på næsten 186, 000 patienter, der blev behandlet på MGH skadestuen fra 2014 til 2016. Nogle patienter i datasættet havde fået vasopressorer inden for de første 48 timer efter deres hospitalsbesøg, mens andre ikke havde. To forskere gennemgik manuelt alle registreringer af patienter med sandsynligt septisk shock for at inkludere det nøjagtige tidspunkt for vasopressoradministration, og andre anmærkninger. (Den gennemsnitlige tid fra præsentation af sepsis symptomer til vasopressor initiering var omkring seks timer.)

Optegnelserne blev opdelt tilfældigt, med 70 procent brugt til træning af modellen og 30 procent til test af den. I træning, modellen udtog op til 28 af 58 mulige funktioner fra patienter, der havde brug for eller ikke havde brug for vasopressorer. Funktioner inkluderer blodtryk, forløbet tid fra første skadestueindlæggelse, samlet indgivet væskevolumen, respirationsfrekvens, mental status, iltmætning, og ændringer i hjerteslagvolumen - hvor meget blod hjertet pumper i hvert slag.

Ved test, modellen analyserer mange eller alle disse funktioner hos en ny patient med faste tidsintervaller og leder efter mønstre, der indikerer en patient, der i sidste ende havde brug for vasopressorer eller ikke havde. Baseret på disse oplysninger, det giver en forudsigelse, ved hvert interval, om, hvorvidt patienten får brug for en vasopressor. Ved at forudsige, om patienter havde brug for vasopressorer inden for de næste to eller flere timer, modellen var korrekt 80 til 90 procent af tiden, som kunne forhindre en for stor mængde af en halv liter eller mere administreret væske, gennemsnitlig.

"Modellen tager dybest set et sæt aktuelle vitale tegn, og lidt af hvordan banen ser ud, og fastslår, at denne aktuelle observation antyder, at denne patient muligvis har brug for vasopressorer, eller dette sæt af variabler antyder, at denne patient ikke ville have brug for dem, " siger Prasad.

Næste, forskerne sigter mod at udvide arbejdet til at producere flere værktøjer, der forudsiger, i realtid, hvis ER-patienter initialt kan være i risiko for sepsis eller septisk shock. "Ideen er at integrere alle disse værktøjer i én pipeline, der vil hjælpe med at styre pleje, fra de første gang kommer ind på skadestuen, " siger Prasad.

Idéen er at hjælpe klinikere på akutmodtagelser på større hospitaler som MGH, som ser omkring 110, 000 patienter årligt, fokusere på de mest udsatte populationer for sepsis. "Problemet med sepsis er, at patientens præsentation ofte modsiger alvoren af ​​den underliggende sygdomsproces, " siger Heldt. "Hvis nogen kommer ind med svaghed og ikke føler sig rigtige, en lille smule væske kan ofte gøre tricket. Men, i nogle tilfælde, de har underliggende sepsis og kan forværres meget hurtigt. Vi vil gerne kunne fortælle, hvilke patienter der er blevet bedre, og hvilke der er på en kritisk vej, hvis de ikke bliver behandlet."

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.