211service.com
Maskininlärning och riskprediktion på ICU
Intensivvårdsavdelningen (ICU) är ett av de mest dataintensiva rummen på ett sjukhus, men informationen som strömmar ut från hjärtmonitorer, ventilatorer och trycksensorer är i allmänhet inte integrerad och analyserad för att möjliggöra en djupare förståelse av patientens tillstånd. För att ändra detta, startup i Boston-området Etiometri bygger ett stödsystem för kliniska beslut som kan tolka stora volymer patientdata i realtid och ge läkare en ögonblicksbild av information som kan användas.
Etiometrys grundare, några av dem före detta vägledningsingenjörer för flygnavigering, inspirerades av vad de såg som en brist på systemkontroll eller analys av patientdata och en ännu större brist på verktyg för att hjälpa läkare att fatta beslut. Du har all denna data genererad i ICU, men du har ingen teknik som gör något med den, säger Dimitar Baronov, vicepresident och teknisk chef på Etiometri. Det enda du har är mänsklig expertis och utbildning. Analys kan hjälpa läkare att tolka deras data, vilket i slutändan gör det möjligt för dem att fatta bättre beslut, ingripa på ett mer lägligt sätt och fånga upp negativa händelser innan de inträffar, säger vd och koncernchef Evan Butler.
Verktyg för stöd för kliniska beslut vägleder diagnoser och behandlingar genom att koppla patientdata till prediktiva modeller som har byggts på tidigare patientresultat. Idéerna bakom beslutsstöd är inte nya – i decennier har forskare försökt få in beräkningsverktyg på sjukhuset som kan hjälpa läkare med beslut som rör patientdiagnoser och behandling. Stora företag som t.ex Siemens och Philips erbjuda produkter som uppmärksammar läkare på tidiga tecken på en patients sviktande hälsa, och forskningsorganisationer som t.ex Draper Laboratory utvecklar liknande beslutsstödsprogram i realtid.
Men den mänskliga biologins komplexitet och sjukhusens långsamma adoption av elektroniska register har försenat tekniken. Det finns stor variation mellan patienter, säger Dean Sittig , en klinisk informationssystemforskare vid University of Texas Health Science Center i Houston, så att en normal hjärtfrekvens för en person kan vara nära döden för en annan. Dessutom är en dators perspektiv begränsad. En dator tittar vanligtvis på en liten aspekt av patientens problem men förstår inte sammanhanget, säger Sittig. En expertläkare kan förstå den enorma bilden av vad som händer med en patient.
En annan utmaning har varit dominansen av pappersbaserad datalagring, vilket har begränsat mängden data som är tillgänglig för forskare som försöker använda maskininlärning för att bygga bättre modeller för patientvård. Vanligtvis lagrar de flesta sjukhus data på ICU-maskiner i cirka 72 timmar och slänger dem sedan, säger Butler. Under de senaste åren är det som verkligen har möjliggjort vår teknik att andra företag kommer in på sjukhus och sparar all data.
Att använda dessa stora datasamlingar för att förbättra prediktiv modellering är en kraftfull idé, säger Peter Szolovits , chef för Clinical Decision-Making Group i MIT:s datavetenskap och artificiell intelligenslaboratorium. Om modellerna är tillräckligt exakta kan du använda dem när du försöker välja mellan olika behandlingar för en patient. Sådana modeller, utbildade på data från verkliga patienter, kunde berätta för läkare vad de olika förutspådda utfallen skulle vara för varje behandlingsalternativ och graden av osäkerhet förknippad med varje förutsägelse.
Etiometris teknologi presenterar denna information i ett användarvänligt gränssnitt som låter läkare snabbt se vilka ICU-patienter som löper risk för biverkningar och sedan ta en närmare titt på eventuella riskpatienter, granska en detaljerad lista över potentiella händelser och sannolikheten att de kommer att hända. Teamet säger att deras ramverk kan tolka all patientdata som genereras på en intensivvårdsavdelning - från momentana data, såsom hjärtfrekvens, till data som samlas in under flera timmar, såsom blodarbete.
Företaget har fokuserat på pediatriska intensivvårdsavdelningar och använder maskininlärning för att bygga algoritmer från retrospektiva data som de har fått från Boston Children's Hospital, Toronto Hospital for Sick Children och andra centra. Det planerar att börja testa med realtidsdata under nästa år.