Avanceret algoritme forudsiger udfald for patienter med svær hjerneskade

Genudgivet af Platon

Abonnenter: 0

Et hold af amerikansk-baserede forskere har skabt en innovativ deep-learning-model, der analyserer CT-scanninger og klinisk information for at forudsige seks måneders resultater for patienter med svær traumatisk hjerneskade (TBI). Ud over at overgå neurokirurgers forudsigelser, kan algoritmen også præcist styre TBI-patienter mod livreddende behandling.

Bedre kliniske beslutninger

Som en del af forskningen har dataforskere ved University of Pittsburgh School of Medicine arbejdet med neurotrauma kirurger ved University of Pittsburgh Medical Center (UPMC) at skabe en ny kunstig intelligens-model, der behandler flere hoved-CT-scanninger af svære TBI-patienter. Algoritmen, beskrevet i Radiologi, analyserer også patienters vitale tegn, blodprøver og hjertefunktion, samt skøn over komasværhedsgrad.

googletag.cmd.push (funktion () {googletag.display ('div-gpt-ad-3759129-1');});

I erkendelse af det faktum, at hjernebilleddannelsesteknikker udvikler sig over tid, og at billedkvaliteten kan variere væsentligt fra patient til patient, redegjorde teamet for datauregelmæssigheder ved at træne algoritmen på en række forskellige billeddannelsesprotokoller.

Forskerne, ledet af co-first forfattere Matthew Pease , Dooman Arefan, validerede deres model ved at teste den på to patientkohorter - den ene bestående af mere end 500 svære TBI-patienter tidligere behandlet på UPMC og den anden af 220 patienter fra 18 institutioner over hele landet gennem TRACK-TBI-konsortiet. De sammenlignede modellens ydeevne med IMPACT model og forudsigelserne fra tre neurokirurger.

Den udviklede model kunne præcist forudsige patienters risiko for død og ugunstige udfald seks måneder efter den traumatiske hændelse. Det er vigtigt, at modellen bevarede sin evne, når den blev testet på en uafhængig multi-institutionel kohorte fra TRACK-TBI-konsortiet. Modellen blev også vist at overgå forudsigelserne fra tre tilstedeværende neurokirurger.

Som senior medforfattere Shandong Wu , David Okonkwo forklare, TBI er en sygdom, der forstyrrer normal hjernefunktion og kan føre til permanent neurologisk, følelsesmæssig og erhvervsmæssig funktionsnedsættelse. Når de behandler sådanne skader, er læger afhængige af prognose for at vejlede klinisk terapi, men de kæmper for nøjagtigt at forudsige resultater ved svær TBI. Som sådan, bemærker Wu, er der et "stort behov og potentiale for at udnytte multimodal klinisk information og maskinlæring til at udvikle datadrevne forudsigelsesmodeller for at forbedre udfaldsforudsigelse for patienter med svær TBI".

"Vi brugte deep-learning og curriculum-learning-teknikker til at udvikle forudsigelsesmodeller, der behandler både hoved-CT-billeddannelsesdata og andre kliniske variabler for patienter," siger Wu. "I praksis kan denne model give en automatiseret forudsigelse af en individuel patients genopretningspotentiale for bedre at informere kliniske beslutninger og patientpleje."

Individualiserede forudsigelser

Wu bemærker, at maskinlæring og dyb læring i de seneste år har transformeret medicinsk dataanalyse og forbedret ydeevne til at understøtte computerstøttet detektionsdiagnose og triage af medicinske sygdomme. Faktisk er mange maskinlæringsbaserede modeller og værktøjer nu under akademisk undersøgelse og klinisk evaluering.

Efter Wus opfattelse er den vigtigste fordel ved den nye model, at den er i stand til effektivt at analysere multidimensionelle og multimodale data, såsom billeder og ikke-billeddannende kliniske data, på en automatiseret måde. Det betyder, at maskinlæring kan lære væsentlig information fra disse komplekse data, som kan være svære for en menneskelig læge at fordøje og behandle.

Læs mere

AI forudsiger koma-udfald fra EEG-spor

"Vores metode kan også give individualiserede forudsigelser sammenlignet med eksisterende modeller, såsom IMPACT-modellen, der er designet til at vejlede kliniske forsøg og ikke prognose individuelle patienter," siger han.

På nuværende tidspunkt er modellen baseret på data indsamlet ved en patients indlæggelse på skadestuen, men projektteamet planlægger at forbedre den yderligere ved at inkorporere longitudinelle data erhvervet i løbet af TBI-patientens pleje.

"Vi planlægger også at udforske evaluering og identificere potentielle barrierer med hensyn til at implementere sådanne modeller i kliniske arbejdsgange og indstillinger," tilføjer Wu.

AI i Medical Physics Week er støttet af Sun Nuklear, en producent af patientsikkerhedsløsninger til strålebehandling og billeddiagnostiske centre. Besøg www.sunnuclear.com for at finde ud af mere.