Kehittynyt algoritmi ennustaa tuloksen potilaille, joilla on vakava aivovamma

Julkaissut Platon

seuraajia: 0

Yhdysvaltalaisista tutkijoista koostuva ryhmä on luonut innovatiivisen syväoppimismallin, joka analysoi TT-skannauksia ja kliinisiä tietoja ennustaakseen kuuden kuukauden tuloksia potilaille, joilla on vakava traumaattinen aivovaurio (TBI). Sen lisäksi, että algoritmi ylittää neurokirurgien ennusteet, se voi myös ohjata TBI-potilaita tarkasti kohti hengenpelastavaa hoitoa.

Parempia kliinisiä päätöksiä

Osana tutkimusta datatutkijat Pittsburghin yliopiston lääketieteellinen tiedekunta työskennellyt neurotraumakirurgien kanssa Pittsburghin yliopiston lääketieteellisessä keskuksessa (UPMC) luoda uusi tekoälymalli, joka käsittelee useita pään CT-skannauksia vakavista TBI-potilaista. Algoritmi, joka on kuvattu kohdassa Radiologia, analysoi myös potilaiden elintoimintoja, verikokeita ja sydämen toimintaa sekä arvioita kooman vaikeusasteesta.

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

Tunnustettuaan sen tosiasian, että aivojen kuvantamistekniikat kehittyvät ajan myötä ja että kuvanlaatu voi vaihdella huomattavasti potilaasta toiseen, tiimi otti huomioon tietojen epäsäännöllisyyden kouluttamalla algoritmia useilla erilaisilla kuvantamisprotokollalla.

Tutkijat, joita johtivat ensimmäiset kirjoittajat Matthew Pease ja Dooman Arefan, validoi mallinsa testaamalla sitä kahdella potilasryhmällä – toinen koostui yli 500 vaikeasta TBI-potilaasta, joita oli aiemmin hoidettu UPMC:ssä, ja toinen 220 potilaasta 18 laitoksesta eri puolilla maata TRACK-TBI-konsortion kautta. He vertasivat mallin suorituskykyä mallin suorituskykyyn VAIKUTUS malli ja kolmen neurokirurgin ennusteet.

Kehitetty malli pystyi ennustamaan tarkasti potilaiden kuolemanriskin ja epäsuotuisat tulokset kuuden kuukauden kuluttua traumaattisesta tapahtumasta. Tärkeää on, että malli säilytti kykynsä, kun sitä testattiin TRACK-TBI-konsortion riippumattomassa moniinstituutiossa kohortissa. Mallin osoitettiin myös ylittävän kolmen hoitavan neurokirurgin ennusteet.

Vanhempana kirjoittajina Shandong Wu ja David Okonkwo selittää, TBI on sairaus, joka häiritsee normaalia aivotoimintaa ja voi johtaa pysyvään neurologiseen, emotionaaliseen ja ammatilliseen vammaan. Hoidessaan tällaisia vammoja lääkärit luottavat ennusteeseen ohjatakseen kliinistä hoitoa, mutta heillä on kuitenkin vaikeuksia ennustaa tarkasti vaikean TBI:n tuloksia. Wu toteaa, että "on suuri tarve ja potentiaali hyödyntää multimodaalista kliinistä tietoa ja koneoppimista tietopohjaisten ennustemallien kehittämiseksi, jotta voidaan parantaa vaikeiden TBI-potilaiden tulosennusteita".

"Käytimme syväoppimisen ja opetussuunnitelman oppimistekniikoita kehittääksemme ennustemalleja, jotka käsittelevät sekä pään CT-kuvaustietoja että muita potilaiden kliinisiä muuttujia", Wu sanoo. "Käytännössä tämä malli voi tarjota automaattisen ennusteen yksittäisen potilaan toipumismahdollisuuksista, mikä auttaa paremmin kliinisissä päätöksissä ja potilaan hoidossa."

Yksilölliset ennusteet

Wu huomauttaa, että viime vuosina koneoppiminen ja syväoppiminen ovat muuttaneet lääketieteellisten tietojen analysointia ja parantaneet suorituskykyä tietokoneavusteisen lääketieteellisten sairauksien diagnosoinnin ja luokittelun tukemisessa. Itse asiassa monet koneoppimiseen perustuvat mallit ja työkalut ovat nyt akateemisen tutkimuksen ja kliinisen arvioinnin alla.

Wun näkemyksen mukaan uuden mallin tärkein etu on, että se pystyy analysoimaan tehokkaasti moniulotteista ja multimodaalista dataa, kuten kuvia ja ei-kuvantavia kliinisiä tietoja, automatisoidusti. Tämä tarkoittaa, että koneoppiminen voi oppia oleellista tietoa näistä monimutkaisista tiedoista, joita ihmislääkärin voi olla vaikea sulattaa ja käsitellä.

Lue lisää

Tekoäly ennustaa kooman lopputuloksen EEG-jäljestä

"Menetelmämme voi myös tarjota yksilöllisiä ennusteita verrattuna olemassa oleviin malleihin, kuten IMPACT-malliin, joka on suunniteltu ohjaamaan kliinisiä tutkimuksia eikä ennustamaan yksittäisiä potilaita", hän sanoo.

Tällä hetkellä malli perustuu potilaan päivystykseen ottaessa saatuihin tietoihin, mutta projektitiimi aikoo kehittää sitä edelleen sisällyttämällä TBI-potilaan hoidon aikana hankittuja pitkittäistietoja.

"Aiomme myös tutkia arviointia ja tunnistaa mahdollisia esteitä tällaisten mallien käyttöönotolle kliinisessä työnkulussa ja ympäristöissä", lisää Wu.

Tekoälyä Medical Physics Weekissä tukee Sun Nuclear, sädehoito- ja diagnostisten kuvantamiskeskusten potilasturvaratkaisujen valmistaja. Vierailla www.sunnuclear.com selvittää lisää.