Færre falske alarmer på intensiv

Forskere ved ETH Zürich anvender maskinlæring på intensivafdelinger for at skelne mellem falske alarmer og dem, der signalerer reelle medicinske problemer.

Bip, bip, bip. På intensivafdelinger (ICU), en eller anden overvågningsenhed slår altid alarm. Uanset om det er en patient, hvis iltniveau i blodet er for lavt, en person i den næste seng, hvis intrakranielle tryk stiger, eller en anden, hvis blodtryk har taget et nosedive. Eller måske bare fordi en patient har skiftet stilling i sengen.

Falske alarmer som denne sidste er alt for almindelige. De udnytter medicinsk personales værdifulde tid og øger risikoen for, at rigtige alarmer går tabt i strømmen af ​​falske. Det betyder, at det er i sygeplejerskernes og lægernes interesse at reducere antallet af falske alarmer kraftigt. Arbejder med forskere på Universitetshospitalet Zürichs afdeling for neurokritisk pleje, forskere ved ETH Zürich har nu udviklet en maskinlæringsmetode, der har til formål at opnå netop det.

At kombinere data

Som en del af en forundersøgelse inden for et datavidenskabsprojekt kaldet ICU Cockpit, forskerne gjorde brug af omfattende intensive dataregistreringer. Med patienternes samtykke, deres vitale tegn opbevares systematisk i høj tidsmæssig opløsning sammen med eventuelle alarmer, der måtte have lydt.

Som det generelt er tilfældet på intensivafdelinger, de forskellige enheder til kredsløbsovervågning, kunstig ventilation og hjerneovervågning fungerer uafhængigt af hinanden. Følgelig, enhederne afgiver hver deres egen alarm, når deres aflæsninger går over eller under en bestemt tærskelværdi. Forskerne kombinerede og synkroniserede dataene fra disse forskellige enheder og anvendte derefter nye maskinlæringsteknikker for at identificere, hvilke alarmer der var irrelevante fra et medicinsk synspunkt.

Computer udfører lægers benarbejde

"Som regel, før en computer kan begynde at lære, mennesker skal først have kategoriseret et vist antal alarmer som relevante eller ikke-relevante, " forklarer Walter Karlen, Professor i mobile sundhedssystemer ved ETH Zürich. "Computersystemer kan derefter bruge disse oplysninger til at forstå princippet bag klassificeringen og i sidste ende selv kategorisere alarmer."

Imidlertid, at have nogen til at klassificere alarmer på intensiv pleje er en uendelig opgave, ikke kun fordi det skal gøres for hver patient individuelt. Derudover medicinsk personale, der behandler patienter på intensiv, ville ikke have tid til også at undervise en computer.

Fungerer selv med fragmentariske data

Dette betyder, at det ideelle system til implementering i en ICU ville være et system, der kunne lære sig selv, selvom sygeplejersker eller læger kun har klassificeret et lille antal alarmer. Det er her, maskinlæringsmetoden, Karlen og hans kolleger har udviklet, virkelig kommer til sin ret.

Forskerne testede deres metode ved hjælp af et lille datasæt fra Zürichs neurokritiske plejeenhed:registreringer af vitale tegn og alarmer for 14 patienter over en periode på flere dage. Gennemsnitlig, det medicinske udstyr slog alarm næsten 700 gange pr. patient pr. dag; med andre ord, hvert andet minut. Selvom kun 1, 800 (13 procent) af datasættets i alt 14, 000 alarmer var blevet klassificeret manuelt, algoritmen var ikke desto mindre i stand til at kategorisere de resterende alarmer som ægte eller falske. Hvis forskerne tillod, at systemet havde en fejlrate på 5 procent, det reducerede antallet af falske alarmer med 77 procent.

Forskerne var også i stand til at påvise, at metoden virker selv med en væsentligt lavere grad af manuel hjælp:Det eneste, der skulle til, var 25 eller 50 manuelle klassifikationer, for at systemet kunne markere et stort antal alarmer som falske. Forskerne viste også, at især i situationer, hvor der har været meget lidt manuel hjælp, den nye metode er meget mere effektiv end eksisterende maskinlæringsmetoder.

Dette projekt analyserede kliniske data retrospektivt. Forskerne overvejer nu, om de skal studere effektiviteten af ​​deres algoritme ved hjælp af et potentielt klinisk studie.