211service.com
Apprendimento automatico e previsione dei rischi in terapia intensiva
L'unità di terapia intensiva (ICU) è una delle stanze più ricche di dati in un ospedale, ma le informazioni in streaming da monitor cardiaci, ventilatori e sensori di pressione non sono generalmente integrate e analizzate per consentire una comprensione più profonda delle condizioni del paziente. Per cambiare questo, avvio dell'area di Boston eziometria sta costruendo un sistema di supporto alle decisioni cliniche in grado di interpretare grandi volumi di dati dei pazienti in tempo reale e fornire ai medici una visione istantanea di informazioni fruibili.
I fondatori di Etiometry, alcuni dei quali ex ingegneri di guida alla navigazione aerospaziale, sono stati ispirati da quella che consideravano una mancanza di controllo dei sistemi o analisi per i dati dei pazienti e una mancanza ancora maggiore di strumenti per aiutare i medici a prendere decisioni. Hai tutti questi dati generati in terapia intensiva, ma non hai una tecnologia che faccia qualcosa con essi, afferma Dimitar Baronov, vicepresidente e chief technology officer di Etiometry. L'unica cosa che hai è l'esperienza umana e la formazione. L'analisi potrebbe aiutare i medici a interpretare i propri dati, consentendo loro di prendere decisioni migliori, intervenire in modo più tempestivo e rilevare gli eventi avversi prima che si verifichino, afferma il presidente e CEO Evan Butler.
Gli strumenti di supporto alle decisioni cliniche guidano diagnosi e trattamenti collegando i dati dei pazienti a modelli predittivi che sono stati costruiti sui precedenti risultati dei pazienti. Le idee alla base del supporto decisionale non sono nuove: per decenni, i ricercatori hanno cercato di portare in ospedale strumenti computazionali in grado di assistere i medici nelle decisioni relative alla diagnosi e al trattamento dei pazienti. Grandi aziende come Siemens e Philips offrire prodotti che avvertono i medici dei primi segni di salute cagionevole di un paziente e organizzazioni di ricerca come Laboratorio di Draper stanno sviluppando simili programmi di supporto alle decisioni in tempo reale.
Ma la complessità della biologia umana e la lenta adozione dei record elettronici da parte degli ospedali hanno ritardato la tecnologia. Esiste una grande variabilità tra i pazienti, afferma Dean Sittig , un ricercatore di sistemi informativi clinici presso l'Università del Texas Health Science Center di Houston, in modo tale che una frequenza cardiaca normale per una persona potrebbe essere quasi mortale per un'altra. Inoltre, la prospettiva di un computer è limitata. Un computer di solito esamina un piccolo aspetto del problema del paziente ma non ne coglie il contesto, afferma Sittig. Un medico esperto può comprendere l'enorme quadro di ciò che sta accadendo a un paziente.
Un'altra sfida è stata la predominanza dell'archiviazione dei dati basata su carta, che ha limitato la quantità di dati a disposizione dei ricercatori che cercano di utilizzare l'apprendimento automatico per costruire modelli migliori di cura del paziente. In genere, la maggior parte degli ospedali archivia i dati sulle macchine per terapia intensiva per circa 72 ore e poi li getta via, afferma Butler. Negli ultimi anni, ciò che ha davvero reso possibile la nostra tecnologia è che altre aziende entrano negli ospedali e salvano tutti i dati.
L'utilizzo di queste grandi raccolte di dati per migliorare la modellazione predittiva è un'idea potente, afferma Peter Szolovits , capo del Clinical Decision-Making Group nel Computer Science and Artificial Intelligence Laboratory del MIT. Se i modelli sono sufficientemente accurati, è possibile utilizzarli quando si cerca di decidere tra diversi trattamenti per un paziente. Tali modelli, formati su dati di pazienti reali, potrebbero dire ai medici quali sarebbero i diversi risultati previsti per ciascuna opzione di trattamento e il grado di incertezza associato a ciascuna previsione.
La tecnologia di Etiometry presenta queste informazioni in un'interfaccia intuitiva che consente ai medici di vedere rapidamente quali pazienti in terapia intensiva sono a rischio di eventi avversi e quindi di dare un'occhiata più da vicino a tutti i pazienti a rischio, rivedendo un elenco dettagliato di potenziali eventi e la probabilità che essi accadrà. Il team afferma che il loro framework può interpretare tutti i dati dei pazienti generati in un'unità di terapia intensiva, dai dati istantanei, come la frequenza cardiaca, ai dati raccolti in più ore, come le analisi del sangue.
La società si è concentrata sulle unità di terapia intensiva pediatriche, utilizzando l'apprendimento automatico per creare algoritmi dai dati retrospettivi ricevuti dal Boston Children's Hospital, dal Toronto Hospital for Sick Children e da altri centri. Prevede di iniziare i test con dati in tempo reale nel prossimo anno.