Ο προηγμένος αλγόριθμος προβλέπει την έκβαση για ασθενείς με σοβαρή εγκεφαλική βλάβη

Μια ομάδα ερευνητών με έδρα τις ΗΠΑ δημιούργησε ένα καινοτόμο μοντέλο βαθιάς μάθησης που αναλύει αξονικές τομογραφίες και κλινικές πληροφορίες για να προβλέψει τα αποτελέσματα έξι μηνών για ασθενείς με σοβαρή τραυματική εγκεφαλική βλάβη (TBI). Εκτός από την καλύτερη απόδοση των προβλέψεων των νευροχειρουργών, ο αλγόριθμος μπορεί επίσης να κατευθύνει με ακρίβεια τους ασθενείς με ΤΒΙ προς τη φροντίδα που σώζει ζωές.

Καλύτερες κλινικές αποφάσεις

Στο πλαίσιο της έρευνας, οι επιστήμονες δεδομένων στο Ιατρική Σχολή του Πανεπιστημίου του Πίτσμπουργκ συνεργάστηκε με χειρουργούς νευροτραυμάτων στο Ιατρικό Κέντρο του Πανεπιστημίου του Πίτσμπουργκ (UPMC) για τη δημιουργία ενός νέου μοντέλου τεχνητής νοημοσύνης που επεξεργάζεται πολλαπλές αξονικές τομογραφίες κεφαλής ασθενών με βαρειά TBI. Ο αλγόριθμος, που περιγράφεται στο Ραδιολογία, αναλύει επίσης τα ζωτικά σημεία των ασθενών, τις εξετάσεις αίματος και τη λειτουργία της καρδιάς, καθώς και εκτιμήσεις για τη βαρύτητα του κώματος.

Αναγνωρίζοντας το γεγονός ότι οι τεχνικές απεικόνισης του εγκεφάλου εξελίσσονται με την πάροδο του χρόνου και ότι η ποιότητα της εικόνας μπορεί να διαφέρει σημαντικά από ασθενή σε ασθενή, η ομάδα υπολόγισε την ανωμαλία των δεδομένων εκπαιδεύοντας τον αλγόριθμο σε μια σειρά διαφορετικών πρωτοκόλλων απεικόνισης.

Οι ερευνητές, με επικεφαλής τους συν-πρώτους συγγραφείς Matthew Pease και Ντούμαν Αρεφάν, επικύρωσαν το μοντέλο τους δοκιμάζοντάς το σε δύο κοόρτες ασθενών – η μία αποτελείται από περισσότερους από 500 ασθενείς με σοβαρή ΤΒΙ που είχαν προηγουμένως νοσηλευτεί στο UPMC και η άλλη από 220 ασθενείς από 18 ιδρύματα σε όλη τη χώρα, μέσω της κοινοπραξίας TRACK-TBI. Συνέκριναν την απόδοση του μοντέλου με αυτή του ΣΎΓΚΡΟΥΣΗ μοντέλο και τις προβλέψεις τριών νευροχειρουργών.

Το μοντέλο που αναπτύχθηκε θα μπορούσε να προβλέψει με ακρίβεια τον κίνδυνο θανάτου και τις δυσμενείς εκβάσεις των ασθενών στους έξι μήνες μετά το τραυματικό περιστατικό. Είναι σημαντικό ότι το μοντέλο διατήρησε την ικανότητά του όταν δοκιμάστηκε σε μια ανεξάρτητη πολυθεσμική κοόρτη από την κοινοπραξία TRACK-TBI. Το μοντέλο αποδείχθηκε επίσης ότι ξεπερνά τις προβλέψεις που έκαναν τρεις νευροχειρουργοί.

Ως ανώτεροι συν-συγγραφείς Σαντόνγκ Γου και David Okonkwo εξηγήστε, η ΤΒΙ είναι μια ασθένεια που διαταράσσει την κανονική λειτουργία του εγκεφάλου και μπορεί να οδηγήσει σε μόνιμη νευρολογική, συναισθηματική και επαγγελματική αναπηρία. Κατά τη θεραπεία τέτοιων τραυματισμών, οι γιατροί βασίζονται στην πρόγνωση για να καθοδηγήσουν την κλινική θεραπεία, αλλά αγωνίζονται να προβλέψουν με ακρίβεια τα αποτελέσματα σε σοβαρή ΚΒΙ. Ως εκ τούτου, σημειώνει ο Wu, υπάρχει «μεγάλη ανάγκη και δυνατότητα αξιοποίησης πολυτροπικών κλινικών πληροφοριών και μηχανικής μάθησης για την ανάπτυξη μοντέλων πρόβλεψης βάσει δεδομένων για τη βελτίωση της πρόβλεψης της έκβασης για ασθενείς με σοβαρή ΚΒΙ».

«Χρησιμοποιήσαμε τεχνικές βαθιάς μάθησης και μάθησης προγράμματος σπουδών για να αναπτύξουμε μοντέλα πρόβλεψης που επεξεργάζονται τόσο δεδομένα απεικόνισης CT κεφαλής όσο και άλλες κλινικές μεταβλητές ασθενών», λέει ο Wu. «Στην πράξη, αυτό το μοντέλο μπορεί να παρέχει μια αυτοματοποιημένη πρόβλεψη για τις δυνατότητες ανάκαμψης ενός μεμονωμένου ασθενούς για την καλύτερη ενημέρωση των κλινικών αποφάσεων και της φροντίδας του ασθενούς».

Εξατομικευμένες προβλέψεις

Ο Wu παρατηρεί ότι, τα τελευταία χρόνια, η μηχανική μάθηση και η βαθιά μάθηση έχουν μεταμορφώσει την ανάλυση ιατρικών δεδομένων και έχουν βελτιώσει την απόδοση στην υποστήριξη της διάγνωσης ανίχνευσης με τη βοήθεια υπολογιστή και της διαλογής ιατρικών ασθενειών. Πράγματι, πολλά μοντέλα και εργαλεία που βασίζονται στη μηχανική μάθηση βρίσκονται τώρα υπό ακαδημαϊκή έρευνα και κλινική αξιολόγηση.

Κατά την άποψη του Wu, το βασικό πλεονέκτημα του νέου μοντέλου είναι ότι είναι ικανό να αναλύει αποτελεσματικά πολυδιάστατα και πολυτροπικά δεδομένα, όπως εικόνες και μη απεικονιστικά κλινικά δεδομένα, με αυτοματοποιημένο τρόπο. Αυτό σημαίνει ότι η μηχανική μάθηση μπορεί να μάθει βασικές πληροφορίες από αυτά τα πολύπλοκα δεδομένα, τα οποία μπορεί να είναι δύσκολο για έναν άνθρωπο να αφομοιώσει και να επεξεργαστεί.

«Η μέθοδός μας μπορεί επίσης να παρέχει εξατομικευμένες προβλέψεις σε σύγκριση με τα υπάρχοντα μοντέλα όπως το μοντέλο IMPACT, το οποίο σχεδιάστηκε για να καθοδηγεί τις κλινικές δοκιμές και να μην προβλέπει μεμονωμένους ασθενείς», λέει.

Προς το παρόν, το μοντέλο βασίζεται σε δεδομένα που αποκτήθηκαν κατά την εισαγωγή ενός ασθενούς στο δωμάτιο επειγόντων περιστατικών, αλλά η ομάδα του έργου σχεδιάζει να το βελτιώσει περαιτέρω ενσωματώνοντας διαχρονικά δεδομένα που αποκτήθηκαν κατά τη διάρκεια της φροντίδας του ασθενούς με TBI.

«Σκοπεύουμε επίσης να διερευνήσουμε την αξιολόγηση και να εντοπίσουμε πιθανά εμπόδια όσον αφορά την ανάπτυξη τέτοιων μοντέλων στη ροή εργασιών και τις κλινικές ρυθμίσεις», προσθέτει ο Wu.

Ο ορθοστάτης Ο προηγμένος αλγόριθμος προβλέπει την έκβαση για ασθενείς με σοβαρή εγκεφαλική βλάβη εμφανίστηκε για πρώτη φορά σε Κόσμος Φυσικής.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://physicsworld.com/a/advanced-algorithm-predicts-outcome-for-patients-with-severe-brain-injury/