Zaawansowany algorytm przewiduje wynik dla pacjentów z ciężkim uszkodzeniem mózgu

Opublikowane ponownie przez Plato

Obserwuje: 0

Zespół amerykańskich naukowców stworzył innowacyjny model głębokiego uczenia się, który analizuje skany CT i informacje kliniczne w celu przewidywania sześciomiesięcznych wyników leczenia pacjentów z ciężkim urazowym uszkodzeniem mózgu (TBI). Oprócz przewyższania przewidywań neurochirurgów, algorytm może również precyzyjnie kierować pacjentów z TBI w kierunku opieki ratującej życie.

Lepsze decyzje kliniczne

W ramach badań naukowcy zajmujący się danymi Szkoła Medyczna Uniwersytetu w Pittsburghu pracował z chirurgami neurotraumy w University of Pittsburgh Medical Center (UPMC) w celu stworzenia nowego modelu sztucznej inteligencji, który przetwarza wiele skanów TK głowy pacjentów z ciężkim TBI. Algorytm opisany w Radiologia, analizuje również parametry życiowe pacjentów, badania krwi i czynność serca, a także szacuje stopień zaawansowania śpiączki.

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

Zdając sobie sprawę z faktu, że techniki obrazowania mózgu ewoluują w czasie, a jakość obrazu może się znacznie różnić w zależności od pacjenta, zespół uwzględnił nieregularność danych, trenując algorytm w zakresie różnych protokołów obrazowania.

Naukowcy pod przewodnictwem współpierwszych autorów Mateusz Groszek i Doomana Arefana, zwalidowali swój model, testując go na dwóch kohortach pacjentów – jednej składającej się z ponad 500 pacjentów z ciężkim TBI wcześniej leczonych w UPMC, a drugiej z 220 pacjentów z 18 instytucji w całym kraju, za pośrednictwem konsorcjum TRACK-TBI. Porównali osiągi modelu z WPŁYW model i przewidywania trzech neurochirurgów.

Opracowany model może dokładnie przewidywać ryzyko zgonu pacjentów i niekorzystne wyniki po sześciu miesiącach od zdarzenia traumatycznego. Co ważne, model zachował swoją zdolność podczas testów na niezależnej wieloinstytucjonalnej kohorcie konsorcjum TRACK-TBI. Wykazano również, że model przewyższa przewidywania trzech uczestniczących neurochirurgów.

Jako starsi współautorzy Szantung Wu i Dawid Okonkwo Wyjaśnij, TBI to choroba, która zaburza normalne funkcjonowanie mózgu i może prowadzić do trwałej niepełnosprawności neurologicznej, emocjonalnej i zawodowej. Podczas leczenia takich urazów lekarze opierają się na prognozach, aby kierować terapią kliniczną, ale mają trudności z dokładnym prognozowaniem wyników w ciężkim TBI. W związku z tym, zauważa Wu, istnieje „wielka potrzeba i potencjał wykorzystania multimodalnych informacji klinicznych i uczenia maszynowego do opracowania modeli predykcyjnych opartych na danych w celu poprawy przewidywania wyników u pacjentów z ciężkim TBI”.

„Wykorzystaliśmy techniki uczenia głębokiego i uczenia się programów nauczania, aby opracować modele prognostyczne, które przetwarzają zarówno dane obrazowania głowy TK, jak i inne zmienne kliniczne pacjentów” – mówi Wu. „W praktyce ten model może zapewnić zautomatyzowaną prognozę potencjału wyzdrowienia indywidualnego pacjenta, aby lepiej informować o decyzjach klinicznych i opiece nad pacjentem”.

Zindywidualizowane prognozy

Wu zauważa, że w ostatnich latach uczenie maszynowe i uczenie głębokie przekształciły analizę danych medycznych i poprawiły wydajność we wspieraniu wspomaganej komputerowo diagnostyki wykrywania i triage chorób medycznych. Rzeczywiście, wiele modeli i narzędzi opartych na uczeniu maszynowym jest obecnie poddawanych badaniom akademickim i ocenie klinicznej.

Według Wu, kluczową zaletą nowego modelu jest możliwość efektywnej analizy danych wielowymiarowych i multimodalnych, takich jak obrazy i nieobrazowe dane kliniczne, w sposób zautomatyzowany. Oznacza to, że uczenie maszynowe może uczyć się istotnych informacji z tych złożonych danych, które mogą być trudne do strawienia i przetworzenia przez lekarza.

Czytaj więcej

AI przewiduje wynik śpiączki na podstawie zapisu EEG

„Nasza metoda może również zapewnić zindywidualizowane prognozy w porównaniu z istniejącymi modelami, takimi jak model IMPACT, który został zaprojektowany w celu prowadzenia badań klinicznych, a nie prognozowania poszczególnych pacjentów”, mówi.

Obecnie model opiera się na danych uzyskanych przy przyjęciu pacjenta na izbę przyjęć, ale zespół projektowy planuje go dodatkowo ulepszyć poprzez włączenie danych podłużnych uzyskanych w trakcie opieki nad pacjentem z TBI.

„Planujemy również zbadać ocenę i zidentyfikować potencjalne bariery w odniesieniu do wdrażania takich modeli w przepływie pracy i ustawieniach klinicznych” – dodaje Wu.

AI w Tygodniu Fizyki Medycznej jest wspierany przez Słońce jądrowe, producent rozwiązań w zakresie bezpieczeństwa pacjentów dla ośrodków radioterapii i diagnostyki obrazowej. Wizyta www.sunnuklear.com aby dowiedzieć się więcej.