Maskinlæring kan reducere testning, forbedre behandlingen af ​​intensivpatienter

Læger på intensivafdelinger står over for et konstant dilemma:Hver blodprøve, de bestiller, kan give kritisk information, men tilføjer også omkostninger og risici for patienterne. For at løse denne udfordring, forskere fra Princeton University er ved at udvikle en beregningsmæssig tilgang til at hjælpe klinikere med mere effektivt at overvåge patienters tilstand og træffe beslutninger om de bedste muligheder for at bestille laboratorietest til specifikke patienter.

Bruger data fra mere end 6, 000 patienter, kandidatstuderende Li-Fang Cheng og Niranjani Prasad arbejdede sammen med lektor i datalogi Barbara Engelhardt om at designe et system, der både kunne reducere hyppigheden af ​​tests og forbedre timingen af ​​kritiske behandlinger. Holdet præsenterede deres resultater den 6. januar ved Pacific Symposium on Biocomputing på Hawaii.

Analysen fokuserede på fire blodprøver, der målte laktat, kreatinin, blod urea nitrogen og hvide blodlegemer. Disse indikatorer bruges til at diagnosticere to farlige problemer for ICU-patienter:nyresvigt eller en systemisk infektion kaldet sepsis.

"Da et af vores mål var at tænke på, om vi kunne reducere antallet af laboratorietests, vi begyndte at se på de [blodprøve] paneler, der er mest bestilt, " sagde Cheng, co-lead forfatter af undersøgelsen sammen med Prasad.

Forskerne arbejdede med MIMIC III-databasen, som omfatter detaljerede registreringer af 58, 000 akutmodtagelser på Beth Israel Deaconess Medical Center i Boston. Til studiet, forskerne udvalgte en delmængde af 6, 060 registreringer af voksne, der opholdt sig på intensivafdelingen i mellem en og 20 dage og havde målinger for almindelige vitale tegn og laboratorietests.

"Disse medicinske data, i den skala vi taler om, dybest set blevet tilgængelige i løbet af de sidste år eller to på en måde, så vi kan analysere dem med maskinlæringsmetoder, sagde Engelhardt, undersøgelsens seniorforfatter. "Det er super spændende, og en fantastisk mulighed."

Holdets algoritme bruger en "belønningsfunktion", der tilskynder til en testordre baseret på, hvor informativ testen er på et givet tidspunkt. Det er, der er større belønning ved at administrere en test, hvis der er større sandsynlighed for, at en patients tilstand er væsentligt forskellig fra den sidste måling, og hvis testresultatet sandsynligvis tyder på en klinisk intervention, såsom at starte antibiotika eller hjælpe med at trække vejret gennem mekanisk ventilation. På samme tid, funktionen tilføjer en straf for testens økonomiske omkostninger og risiko for patienten. Prasad bemærkede, at afhængig af situationen, en kliniker kunne beslutte at prioritere en af ​​disse komponenter frem for andre.

Denne tilgang, kendt som forstærkende læring, har til formål at anbefale beslutninger, der maksimerer belønningsfunktionen. Dette behandler spørgsmålet om medicinsk test "som det sekventielle beslutningsproblem, det er, hvor du redegør for alle beslutninger og alle de tilstande, du har set i den seneste tidsperiode, og beslutter, hvad du skal gøre på det aktuelle tidspunkt for at maksimere langsigtede belønninger for patienten, " forklarede Prasad, en kandidatstuderende i datalogi.

At sortere gennem disse oplysninger rettidigt til en klinisk indstilling kræver betydelig computerkraft, sagde Engelhardt, et tilknyttet fakultetsmedlem af Princeton Institute for Computational Science and Engineering (PICSciE). Cheng, en elektroingeniørstuderende, arbejdet sammen med sin medrådgiver Kai Li, Paul M. og Marcia R. Wythes professor i datalogi, at køre teamets beregninger ved hjælp af PICSciE-ressourcer.

For at teste nytten af ​​den laboratorietestpolitik, de udviklede, forskerne sammenlignede de belønningsfunktionsværdier, der ville være resultatet af at anvende deres politik på de testregimer, der faktisk blev brugt til de 6, 060 patienter i træningsdatasættet, som blev indlagt på intensivafdelingen mellem 2001 og 2012. De sammenlignede også disse værdier med dem, der ville være resultatet af randomiserede laboratorietestpolitikker.

For hver test- og belønningskomponent, politikken genereret af maskinlæringsalgoritmen ville have ført til forbedrede belønningsværdier sammenlignet med de faktiske politikker, der anvendes på hospitalet. I de fleste tilfælde overgik algoritmen også tilfældige politikker. Laktattestning var en bemærkelsesværdig undtagelse; dette kunne forklares med den relativt lave frekvens af laktattestordrer, fører til en høj grad af varians i testens informativitet.

Samlet set, forskernes analyse viste, at deres optimerede politik ville have givet mere information end den faktiske testkur, som klinikerne fulgte. Brug af algoritmen kunne have reduceret antallet af laboratorietestordrer med så meget som 44 procent i tilfælde af hvide blodlegemer. De viste også, at denne tilgang ville have hjulpet med at informere klinikere om at gribe nogle timer tidligere ind, når en patients tilstand begyndte at forværres.

"Med den laboratorietestbestillingspolitik, som denne metode udviklede, vi var i stand til at bestille laboratorier for at fastslå, at patientens helbred var forringet nok til at have behov for behandling, gennemsnitlig, fire timer før klinikeren faktisk påbegyndte behandling baseret på kliniker bestilte laboratorier, sagde Engelhardt.

"Der er mangel på evidensbaserede retningslinjer i kritisk pleje vedrørende den passende hyppighed af laboratoriemålinger, " sagde Shamim Nemati, en assisterende professor i biomedicinsk informatik ved Emory University, som ikke var involveret i undersøgelsen. "Data-drevne tilgange som den, der er foreslået af Cheng og medforfattere, kombineret med en dybere indsigt i klinisk arbejdsgang, har potentialet til at reducere kortlægningsbyrden og omkostningerne ved overdreven testning, og forbedre situationsbevidsthed og resultater."

Engelhardts gruppe samarbejder med dataforskere på Penn Medicines Predictive Healthcare Team for at indføre denne politik i klinikken inden for de næste par år. Sådanne bestræbelser sigter mod at "give klinikere de superkræfter, som andre mennesker i andre domæner får, " sagde Penn Senior Data Scientist Corey Chivers. "At have adgang til maskinlæring, kunstig intelligens og statistisk modellering med store mængder data" vil hjælpe klinikere med at "tage bedre beslutninger, og i sidste ende forbedre patientresultaterne, " han tilføjede.

"Dette er en af ​​de første gange, vi vil være i stand til at tage denne maskinlæringstilgang og faktisk lægge den på intensivafdelingen, eller i et indlagt hospitalsmiljø, og rådgive plejepersonale på en måde, så patienterne ikke vil være i fare, sagde Engelhardt. Det er virkelig noget nyt.

Dette arbejde blev støttet af Helen Shipley Hunt Fund, som støtter forskning rettet mod at forbedre menneskers sundhed; og Eric og Wendy Schmidt Fund for Strategic Innovation, som understøtter forskning i kunstig intelligens og maskinlæring.