Avansert algoritme forutsier utfall for pasienter med alvorlig hjerneskade

Publisert av Platon

Følgere: 0

Et team av USA-baserte forskere har laget en innovativ dyplæringsmodell som analyserer CT-skanninger og klinisk informasjon for å forutsi seks måneders utfall for pasienter med alvorlig traumatisk hjerneskade (TBI). I tillegg til å overgå spådommene til nevrokirurger, kan algoritmen også nøyaktig styre TBI-pasienter mot livreddende behandling.

Bedre kliniske beslutninger

Som en del av forskningen har dataforskere ved University of Pittsburgh School of Medicine jobbet med nevrotraumekirurger ved University of Pittsburgh Medical Center (UPMC) for å lage en ny kunstig intelligensmodell som behandler flere CT-skanninger av hodet av alvorlige TBI-pasienter. Algoritmen, beskrevet i Radiologi, analyserer også pasientenes vitale tegn, blodprøver og hjertefunksjon, samt estimater av komas alvorlighetsgrad.

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

I erkjennelse av det faktum at hjerneavbildningsteknikker utvikler seg over tid, og at bildekvaliteten kan variere betydelig fra pasient til pasient, tok teamet rede for datauregelmessigheter ved å trene algoritmen på en rekke forskjellige bildeprotokoller.

Forskerne, ledet av co-first forfattere Matthew Pease og Dooman Arefan, validerte modellen deres ved å teste den på to pasientkohorter – en bestående av mer enn 500 alvorlige TBI-pasienter tidligere behandlet ved UPMC og den andre av 220 pasienter fra 18 institusjoner over hele landet, gjennom TRACK-TBI-konsortiet. De sammenlignet modellens ytelse med den til PÅVIRKNING modell og spådommene til tre nevrokirurger.

Den utviklede modellen kunne nøyaktig forutsi pasienters risiko for død og ugunstige utfall seks måneder etter den traumatiske hendelsen. Det er viktig at modellen opprettholdt sin evne når den ble testet på en uavhengig multiinstitusjonell kohort fra TRACK-TBI-konsortiet. Modellen ble også vist å overgå spådommene fra tre behandlende nevrokirurger.

Som senior medforfattere Shandong Wu og David Okonkwo forklare, TBI er en sykdom som forstyrrer normal hjernefunksjon og kan føre til permanent nevrologisk, emosjonell og yrkesmessig funksjonshemming. Når de behandler slike skader, er leger avhengige av prognose for å veilede klinisk terapi, men de sliter med å nøyaktig prognose utfall ved alvorlig TBI. Som sådan, bemerker Wu, er det et "stort behov og potensial for å utnytte multimodal klinisk informasjon og maskinlæring for å utvikle datadrevne prediksjonsmodeller for å forbedre utfallsprediksjon for alvorlige TBI-pasienter".

"Vi brukte dyplærings- og læreplanlæringsteknikker for å utvikle prediksjonsmodeller som behandler både CT-bildedata fra hodet og andre kliniske variabler for pasienter," sier Wu. "I praksis kan denne modellen gi en automatisert prediksjon for en individuell pasients utvinningspotensial for å bedre informere kliniske beslutninger og pasientbehandling."

Individuelle spådommer

Wu observerer at maskinlæring og dyp læring de siste årene har transformert medisinsk dataanalyse og forbedret ytelse for å støtte datastøttet deteksjonsdiagnose og triage av medisinske sykdommer. Faktisk er mange maskinlæringsbaserte modeller og verktøy nå under akademisk undersøkelse og klinisk evaluering.

Etter Wus syn er den viktigste fordelen med den nye modellen at den er i stand til effektivt å analysere multidimensjonale og multimodale data, som bilder og ikke-avbildende kliniske data, på en automatisert måte. Dette betyr at maskinlæring kan lære viktig informasjon fra disse komplekse dataene, som kan være vanskelig for en menneskelig lege å fordøye og behandle.

Les mer

AI forutsier koma-utfall fra EEG-spor

"Vår metode kan også gi individualiserte spådommer sammenlignet med eksisterende modeller som IMPACT-modellen, som ble designet for å veilede kliniske studier og ikke prognose individuelle pasienter," sier han.

Foreløpig er modellen basert på data innhentet ved en pasients innleggelse på legevakten, men prosjektgruppen planlegger å forbedre den ytterligere ved å inkludere longitudinelle data innhentet i løpet av TBI-pasientens behandling.

"Vi planlegger også å utforske evaluering og identifisere potensielle barrierer med hensyn til å implementere slike modeller i klinisk arbeidsflyt og innstillinger," legger Wu til.

AI i Medical Physics Week er støttet av Sun Nuclear, en produsent av pasientsikkerhetsløsninger for stråleterapi og bildediagnostiske sentre. Besøk www.sunnuclear.com for å finne ut mer.