Avancerad algoritm förutsäger resultat för patienter med svår hjärnskada

Återutgiven av Platon

anhängare: 0

Ett team av USA-baserade forskare har skapat en innovativ modell för djupinlärning som analyserar CT-skanningar och klinisk information för att förutsäga sex månaders utfall för patienter med allvarlig traumatisk hjärnskada (TBI). Förutom att överträffa neurokirurgers förutsägelser kan algoritmen också noggrant styra TBI-patienter mot livräddande vård.

Bättre kliniska beslut

Som en del av forskningen, dataforskare vid University of Pittsburgh School of Medicine arbetat med neurotrauma kirurger vid University of Pittsburgh Medical Center (UPMC) för att skapa en ny artificiell intelligensmodell som bearbetar flera huvud-CT-skanningar av patienter med svår TBI. Algoritmen, beskriven i Radiologi, analyserar också patienternas vitala tecken, blodprov och hjärtfunktion, samt uppskattningar av komaets svårighetsgrad.

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

Som ett erkännande av det faktum att hjärnavbildningstekniker utvecklas över tiden, och att bildkvaliteten kan variera avsevärt från patient till patient, redogjorde teamet för dataoregelbundenheter genom att träna algoritmen på en rad olika avbildningsprotokoll.

Forskarna, ledda av förstaförfattare Matthew Pease och Dooman Arefan, validerade sin modell genom att testa den på två patientkohorter – en bestående av mer än 500 patienter med svår TBI som tidigare behandlats vid UPMC och den andra av 220 patienter från 18 institutioner över hela landet, genom TRACK-TBI-konsortiet. De jämförde modellens prestanda med INVERKAN modell och tre neurokirurgers förutsägelser.

Den utvecklade modellen kunde exakt förutsäga patienters risk för död och ogynnsamma utfall sex månader efter den traumatiska händelsen. Viktigt är att modellen bibehöll sin förmåga när den testades på en oberoende multiinstitutionell kohort från TRACK-TBI-konsortiet. Modellen visade sig också överträffa de förutsägelser som gjorts av tre behandlande neurokirurger.

Som seniora medförfattare Shandong Wu och David Okonkwo förklara, TBI är en sjukdom som stör normal hjärnfunktion och kan leda till permanent neurologisk, emotionell och yrkesmässig funktionsnedsättning. Vid behandling av sådana skador förlitar sig läkare på prognostisering för att vägleda klinisk terapi, men kämpar för att korrekt prognostisera utfall vid svår TBI. Som sådan, noterar Wu, finns det ett "stort behov och potential att utnyttja multimodal klinisk information och maskininlärning för att utveckla datadrivna förutsägelsemodeller för att förbättra resultatprognosen för patienter med svår TBI".

"Vi använde djupinlärning och läroplanstekniker för att utveckla prediktionsmodeller som bearbetar både huvud-CT-avbildningsdata och andra kliniska variabler hos patienter", säger Wu. "I praktiken kan den här modellen ge en automatiserad förutsägelse av en enskild patients återhämtningspotential för att bättre informera kliniska beslut och patientvård."

Individuella förutsägelser

Wu observerar att maskininlärning och djupinlärning under de senaste åren har förändrat medicinsk dataanalys och förbättrat prestanda för att stödja datorstödd detektionsdiagnos och triage av medicinska sjukdomar. Faktum är att många maskininlärningsbaserade modeller och verktyg nu är under akademisk undersökning och klinisk utvärdering.

Enligt Wus uppfattning är den viktigaste fördelen med den nya modellen att den effektivt kan analysera multidimensionella och multimodala data, såsom bilder och icke-avbildande kliniska data, på ett automatiserat sätt. Detta innebär att maskininlärning kan lära sig viktig information från dessa komplexa data, som kan vara svåra för en mänsklig läkare att smälta och bearbeta.

Läs mer

AI förutsäger komautfall från EEG-spår

"Vår metod kan också ge individualiserade förutsägelser jämfört med befintliga modeller som IMPACT-modellen, som utformades för att vägleda kliniska prövningar och inte prognostisera enskilda patienter", säger han.

För närvarande är modellen baserad på data som förvärvats vid en patients inläggning på akuten, men projektgruppen planerar att ytterligare förbättra den genom att inkludera longitudinella data som förvärvats under TBI-patientens vård.

"Vi planerar också att utforska utvärdering och identifiera potentiella hinder när det gäller att implementera sådana modeller i kliniska arbetsflöden och inställningar," tillägger Wu.

AI i Medical Physics Week stöds av Sun Nuclear, en tillverkare av patientsäkerhetslösningar för strålbehandling och diagnostiska bildbehandlingscentra. Besök www.sunnuclear.com ta reda på mer.