Forskere på Emory University bruger Google Cloud til at forudsige sepsis hos patienter i intensiv behandling

Sepsis, der er en autoimmun reaktion på infektion, er en af de mest dødelige og bekostelige lidelser, der behandles på amerikanske hospitaler, og den rammer ca. 750.000 amerikanere om året. Hvis sepsis opdages og behandles på et tidligt tidspunkt, kan det i høj grad spare liv, penge og ressourcer, men der er endnu ikke nogen pålidelig måde at diagnosticere sepsis på hurtigt. Dr. Shamim Nemati og dr. Ashish Sharma på institut for biomedicinsk informationsvidenskab på Emory Universitys School of Medicine har en innovativ tilgang til denne udfordring. Dr. Nemati har ved brug af anonyme, elektroniske sygejournaler, der er indhentet fra 30.000 patienter på Emorys intensivafdelinger, udviklet en AI-maskine til analyse af 65 relevante variabler, blandt andet vitale parametre, patienternes demografiske karakteristika og laboratorieresultater. Med en konstant overvågning af patientens datastrøm med fem minutters intervaller opstiller maskinen til forudsigelse af sepsis en samlet score i realtid, der forudsiger sandsynligheden for at udvikle sepsis og viser resultaterne på et betjeningspanel, hvor klinikerne kan evaluere dem. Eftersom tidlig registrering er altafgørende, kan klinikerne se scoren og rationalet for, hvornår behandling med antibiotika er mest effektiv.

En løsning til patienter i intensiv behandling

Motoren har tre afgørende komponenter: De indgående og de gemte datasæt, AI-algoritmen, der analyserer dataene, og en frontend-brugerflade til klinikerne. Datainputtene er specielt komplekse: Data i høj opløsning og på tocifrede megabytes som f.eks. blodtryk og åndedrætshastighed for hver patient skal have et tidsstempel, der lagres fortroligt og sikkert, og behandles øjeblikkeligt for at generere rettidige resultater under forhold, hvor der er meget på spil. Maskinen genererer derefter en samlet risikoscore for sepsis, der er designet, så den er let og hurtig at aflæse for klinikerne. Et alarmsystem advarer klinikerne, hvis en patient når op på en bestemt grænse, hvor der er risiko for sepsis, hvilket gør det lettere for det travle plejepersonale at reagere hurtigt.

Dr. Sharma udviklede maskinen i Google Cloud ved hjælp af et integreret sæt Google Cloud- og open source-værktøjer, f.eks. TensorFlow og et sæt containerbaserede mikrotjenester, hvilket gav en problemfri og næsten øjeblikkelig behandling af datainput, analyser af forudsigelser og output til frontend-grænsefladen – alt sammen i realtid. Ved at udvikle en FHIR-database (Fast Healthcare Interoperability Resources) i Google Cloud sikrede Nemati og Sharma, at maskinen kunne skalere og bruges i forskellige institutioner på en pålidelig, sikker og privat platform, der også kunne integreres med andre projekter i skybaserede teknologier, f.eks. wearable-overvågningsenheder, der allerede bruges på Emory-hospitaler.

Skalering via Google Cloud

Indtil videre samarbejder Nemati, Sharma og deres team på Emory med Emory eICU Center med henblik på at validere maskinen for data, der hostes på lokale servere, og teste forskellige tidsrammer, inden der kan opnås en nøjagtighed på hele 85 % i forhold til at forudsige sepsis, fire til seks timer inden dette opstår. For at implementere programmet på andre websites har de valgt at benytte App Engine. "Ved at konvertere vores TensorFlow-baserede algoritme til forudsigelse af sepsis til en app og køre den i Google App Engine kunne vi helt fjerne kravene til infrastrukturen med hensyn til kørsel og opskalering af implementeringen og i stedet udelukkende fokusere på at forbedre vores algoritme," forsikrer Nemati.

Nu hvor de ved, at maskinen fungerer, planlægger de at teste den med flere brugere, både patienter og klinikere. De overfører også algoritmen til Google Cloud Machine Learning Engine og TPU'er for at få en bedre ydelse og skalerbarhed og inkorporerer E2EE-kryptering for at minimere risikoen for eksponering af patientdata. De gennemfører en bredt fordelt undersøgelse i Google Cloud, så de kan stille en ny række spørgsmål: Hvad er det ideelle tidspunkt for at foretage nøjagtige forudsigelser eller optimere behandlingerne? Vil maskinen hjælpe lægerne med at yde en bedre hjælp til patienterne? Hvordan påvirker en risikoværdi behandlingen på de forskellige hospitaler med deres egne lokale arbejdsgange og kulturer?

In the end, what matters most is improving medical outcomes for real patients in ICUs, and Sharma is aware of that. “The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can make meaningful interventions for a patient. Also, the algorithm opens up the deep-learning black box and informs the physician why it thinks the patient is at risk.” Nemati agrees, “A 2017 NEJM article showed that for each hour sepsis treatment is delayed, a patient’s risk of death increases by 4 percent. So what percentage of lives can we save if we could catch sepsis this way and put patients on antibiotics in time? We don’t know yet, but that’s what we’re currently testing at Emory, and we need to show generalizability elsewhere."