Algoritma Tingkat Lanjut Memprediksi Hasil Untuk Pasien Dengan Cedera Otak Parah

Diterbitkan Ulang Oleh Plato

Followers: 0

Sebuah tim peneliti yang berbasis di AS telah menciptakan model pembelajaran mendalam yang inovatif yang menganalisis CT scan dan informasi klinis untuk memprediksi hasil enam bulan untuk pasien dengan cedera otak traumatis parah (TBI). Selain mengungguli prediksi ahli bedah saraf, algoritme ini juga dapat mengarahkan pasien TBI secara akurat ke perawatan yang menyelamatkan jiwa.

Keputusan klinis yang lebih baik

Sebagai bagian dari penelitian, para ilmuwan data di Fakultas Kedokteran Universitas Pittsburgh bekerja dengan ahli bedah neurotrauma di University of Pittsburgh Medical Center (UPMC) untuk membuat model kecerdasan buatan baru yang memproses beberapa CT scan kepala pasien TBI parah. Algoritma, dijelaskan dalam Radiologi, juga menganalisis tanda-tanda vital pasien, tes darah dan fungsi jantung, serta perkiraan keparahan koma.

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

Menyadari fakta bahwa teknik pencitraan otak berkembang dari waktu ke waktu, dan bahwa kualitas gambar dapat bervariasi secara substansial dari pasien ke pasien, tim memperhitungkan ketidakteraturan data dengan melatih algoritme pada berbagai protokol pencitraan yang berbeda.

Para peneliti, dipimpin oleh penulis pertama Matius Pease dan Dooman Arefan, memvalidasi model mereka dengan mengujinya pada dua kelompok pasien – satu terdiri dari lebih dari 500 pasien TBI parah yang sebelumnya dirawat di UPMC dan yang lainnya dari 220 pasien dari 18 institusi di seluruh negeri, melalui konsorsium TRACK-TBI. Mereka membandingkan kinerja model dengan DAMPAK model dan prediksi tiga ahli bedah saraf.

Model yang dikembangkan dapat secara akurat memprediksi risiko kematian pasien dan hasil yang tidak menguntungkan pada enam bulan setelah insiden traumatis. Yang penting, model tersebut mempertahankan kemampuannya saat diuji pada kohort multi-lembaga independen dari konsorsium TRACK-TBI. Model ini juga terbukti mengungguli prediksi yang dibuat oleh tiga ahli bedah saraf yang hadir.

Sebagai rekan penulis senior Wu Shandong dan David Okonkwo menjelaskan, TBI adalah penyakit yang mengganggu fungsi normal otak dan dapat menyebabkan cacat neurologis, emosional, dan pekerjaan yang permanen. Saat merawat cedera seperti itu, dokter mengandalkan prognostik untuk memandu terapi klinis, namun berjuang untuk secara akurat memprediksi hasil pada TBI parah. Dengan demikian, Wu mencatat, ada “kebutuhan dan potensi besar untuk memanfaatkan informasi klinis multimodal dan pembelajaran mesin untuk mengembangkan model prediksi berbasis data guna meningkatkan prediksi hasil untuk pasien TBI parah”.

“Kami menggunakan teknik pembelajaran mendalam dan pembelajaran kurikulum untuk mengembangkan model prediksi yang memproses data pencitraan CT kepala dan variabel klinis pasien lainnya,” kata Wu. “Dalam praktiknya, model ini dapat memberikan prediksi otomatis untuk potensi pemulihan pasien individu untuk menginformasikan keputusan klinis dan perawatan pasien dengan lebih baik.”

Prediksi individual

Wu mengamati bahwa, dalam beberapa tahun terakhir, pembelajaran mesin dan pembelajaran mendalam telah mengubah analisis data medis dan meningkatkan kinerja dalam mendukung diagnosis deteksi berbantuan komputer dan triase penyakit medis. Memang, banyak model dan alat berbasis pembelajaran mesin sekarang dalam penyelidikan akademis dan evaluasi klinis.

Dalam pandangan Wu, keuntungan utama dari model baru ini adalah mampu menganalisis data multidimensi dan multimodal secara efektif, seperti gambar dan data klinis non-pencitraan, secara otomatis. Ini berarti bahwa pembelajaran mesin dapat mempelajari informasi penting dari data kompleks ini, yang mungkin sulit untuk dicerna dan diproses oleh dokter manusia.

Baca lebih lanjut

AI memprediksi hasil koma dari jejak EEG

“Metode kami juga dapat memberikan prediksi individual dibandingkan dengan model yang ada seperti model IMPACT, yang dirancang untuk memandu uji klinis dan tidak memprediksi pasien secara individu,” katanya.

Saat ini, model didasarkan pada data yang diperoleh saat pasien masuk ke ruang gawat darurat, tetapi tim proyek berencana untuk lebih meningkatkannya dengan memasukkan data longitudinal yang diperoleh selama perawatan pasien TBI.

“Kami juga berencana untuk mengeksplorasi evaluasi dan mengidentifikasi hambatan potensial sehubungan dengan penerapan model semacam itu dalam alur kerja dan pengaturan klinis,” tambah Wu.

AI dalam Medical Physics Week didukung oleh Nuklir Matahari, produsen solusi keselamatan pasien untuk terapi radiasi dan pusat pencitraan diagnostik. Mengunjungi www.sunnuklear.com untuk mengetahui lebih lanjut.