Fortschrittlicher Algorithmus sagt Ergebnis für Patienten mit schwerer Hirnverletzung voraus

Neuauflage von Plato

Verfolger: 0

Ein Team US-amerikanischer Forscher hat ein innovatives Deep-Learning-Modell entwickelt, das CT-Scans und klinische Informationen analysiert, um sechsmonatige Ergebnisse für Patienten mit schwerer traumatischer Hirnverletzung (SHT) vorherzusagen. Der Algorithmus übertrifft nicht nur die Vorhersagen von Neurochirurgen, sondern kann auch SHT-Patienten präzise zu einer lebensrettenden Behandlung führen.

Bessere klinische Entscheidungen

Im Rahmen der Forschung haben Datenwissenschaftler am Universität von Pittsburgh Schule der Medizin arbeitete mit Neurotraumachirurgen am University of Pittsburgh Medical Center (UPMC), um ein neuartiges Modell der künstlichen Intelligenz zu erstellen, das mehrere Kopf-CT-Scans von Patienten mit schwerem Schädel-Hirn-Trauma verarbeitet. Der Algorithmus, beschrieben in Radiologie, analysiert auch die Vitalfunktionen, Bluttests und Herzfunktionen der Patienten sowie Schätzungen der Schwere des Komas.

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

In Anerkennung der Tatsache, dass sich Bildgebungsverfahren für das Gehirn im Laufe der Zeit weiterentwickeln und die Bildqualität von Patient zu Patient erheblich variieren kann, berücksichtigte das Team Datenunregelmäßigkeiten, indem es den Algorithmus mit einer Reihe unterschiedlicher Bildgebungsprotokolle trainierte.

Die Forscher unter der Leitung von Co-Erstautoren Matthew Pease und Dooman Arefan, validierten ihr Modell, indem sie es an zwei Patientenkohorten testeten – eine bestehend aus mehr als 500 Patienten mit schwerem Schädel-Hirn-Trauma, die zuvor am UPMC behandelt wurden, und die andere aus 220 Patienten aus 18 Einrichtungen im ganzen Land über das TRACK-TBI-Konsortium. Sie verglichen die Leistung des Modells mit der des AUSWIRKUNG Modell und die Vorhersagen von drei Neurochirurgen.

Das entwickelte Modell konnte das Sterberisiko und das Risiko ungünstiger Folgen für Patienten sechs Monate nach dem traumatischen Vorfall genau vorhersagen. Wichtig ist, dass das Modell seine Leistungsfähigkeit behielt, als es an einer unabhängigen multiinstitutionellen Kohorte des TRACK-TBI-Konsortiums getestet wurde. Es zeigte sich auch, dass das Modell die Vorhersagen der drei behandelnden Neurochirurgen übertraf.

Als leitende Co-Autoren Shandong Wu und David Okonkwo Erklären Sie, dass TBI eine Krankheit ist, die die normale Gehirnfunktion stört und zu einer dauerhaften neurologischen, emotionalen und beruflichen Behinderung führen kann. Bei der Behandlung solcher Verletzungen verlassen sich Ärzte auf Prognosen als Leitfaden für die klinische Therapie, haben jedoch Schwierigkeiten, die Ergebnisse bei schwerem Schädel-Hirn-Trauma genau vorherzusagen. Daher besteht laut Wu ein „großer Bedarf und ein großes Potenzial, multimodale klinische Informationen und maschinelles Lernen zu nutzen, um datengesteuerte Vorhersagemodelle zu entwickeln, um die Ergebnisvorhersage für Patienten mit schwerem Schädel-Hirn-Trauma zu verbessern“.

„Wir haben Deep-Learning- und Curriculum-Learning-Techniken eingesetzt, um Vorhersagemodelle zu entwickeln, die sowohl Kopf-CT-Bildgebungsdaten als auch andere klinische Variablen von Patienten verarbeiten“, sagt Wu. „In der Praxis kann dieses Modell eine automatisierte Vorhersage des Genesungspotenzials eines einzelnen Patienten liefern, um klinische Entscheidungen und die Patientenversorgung besser zu informieren.“

Individuelle Vorhersagen

Wu stellt fest, dass maschinelles Lernen und Deep Learning in den letzten Jahren die Analyse medizinischer Daten verändert und die Leistung bei der Unterstützung der computergestützten Erkennung, Diagnose und Triage medizinischer Krankheiten verbessert haben. Tatsächlich werden viele auf maschinellem Lernen basierende Modelle und Tools derzeit wissenschaftlich untersucht und klinisch evaluiert.

Nach Ansicht von Wu besteht der Hauptvorteil des neuen Modells darin, dass es in der Lage ist, mehrdimensionale und multimodale Daten wie Bilder und nicht bildgebende klinische Daten effektiv und automatisiert zu analysieren. Dies bedeutet, dass maschinelles Lernen aus diesen komplexen Daten wichtige Informationen lernen kann, die für einen menschlichen Arzt möglicherweise schwer zu verstehen und zu verarbeiten sind.

Lesen Sie weiter

KI sagt Koma-Ergebnis aus EEG-Spur voraus

„Unsere Methode kann im Vergleich zu bestehenden Modellen wie dem IMPACT-Modell, das als Leitfaden für klinische Studien und nicht zur Prognose einzelner Patienten entwickelt wurde, auch individuelle Vorhersagen liefern“, sagt er.

Derzeit basiert das Modell auf Daten, die bei der Aufnahme eines Patienten in die Notaufnahme erfasst wurden. Das Projektteam plant jedoch, es weiter zu verbessern, indem es Längsschnittdaten einbezieht, die während der Behandlung des SHT-Patienten erfasst wurden.

„Wir planen außerdem, die Evaluierung zu untersuchen und potenzielle Hindernisse im Hinblick auf den Einsatz solcher Modelle in klinischen Arbeitsabläufen und -umgebungen zu identifizieren“, fügt Wu hinzu.

AI in Medical Physics Week wird unterstützt von Sun Nuclear, ein Hersteller von Patientensicherheitslösungen für Strahlentherapie- und diagnostische Bildgebungszentren. Besuch www.sunnuclear.com um mehr zu erfahren. Wir stehen Ihnen auch telefonisch zur Verfügung: +XNUMX (XNUMX) XNUMX XNUMX XNUMX