Para penyelidik Universiti Emory menggunakan Google Cloud untuk meramalkan sepsis dalam pesakit rawatan rapi

Sepsis, suatu tindak balas autoimun kepada jangkitan, ialah salah satu penyakit paling berbahaya dan paling mahal dirawat di hosptal A.S, melibatkan kira-kira 750,000 rakyat Amerika setiap tahun. Pengesanan awal dan pencegahan boleh dengan ketara sekali menyelamatkan nyawa, menjimatkan wang dan sumber, namun tidak ada cara yang boleh diharapkan untuk mendiagnosis sepsis dengan cepat. Dr. Shamim Nemati dan Dr. Ashish Sharma di Jabatan Informatik Bioperubatan di Sekolah Perubatan Universiti Emory mengambil pendekatan inovatif kepada cabaran ini: menggunakan rekod kesihatan elektronik tanpa nama yang dikumpul daripada 30,000 pesakit di was penjagaan rapi (ICU) Emory, Dr. Nemati telah mencipta enjin AI untuk menganalisis 65 pemboleh ubah yang relevan, termasuk tanda-tanda penting, demografi pesakit dan keputusan makmal. Dengan memantau strim data pesakit secara berterusan setiap lima minit, enjin ramalan sepsis membina markah komposit dalam masa nyata, yang meramal kemungkinan berlakunya sepsis dan memaparkan penemuannya pada papan pemuka untuk dinilai oleh doktor. Memandangan pengesanan awal adalah penting, doktor boleh melihat markah itu dan menentukan masa paling berkesan untuk melakukan rawatan dengan antibiotik.

Penyelesaian penjagaan kritikal

Enjin itu mempunyai tiga komponen penting: set data masuk dan tersimpan, algoritma AI yang menganalisis data dan antara muka bahagian depan untuk doktor. Inout dan storan data adakah kompleks: berpuluh-puluh megabait data resolusi tinggi seperti tekanan darah dan kadar respiratori untuk setiap pesakit mestilah mengikut masa, dipastikan sulit dan selamat serta diproses serta-merra untuk menghasilkan keputusan tepat pada masanya di bawah keadaan berisiko tinggi. Enjin itu kemudiannya menghasilkan Markah Risiko Sepsis komposit yang dipaparkan pada papan pemuka yang direka agar mudah dibaca oleh doktor secara sekilas pandang. Sistem penggera akan memberitahu doktor apabila mana-mana pesakit mencapai nilai ambang kemungkinan mengalami sepsis, memudahkan penjaga yang sibuk untuk bertindak balas dengan cepat.

Dr. Sharma mereka bentuk enjin pada Google Cloud menggunakan set Google Cloud bersepadu dan alatan sumber terbuka, seperti TensorFlow set perkhidmatan mikro bekas, menghasilkan pemprosesan input data, analisis ramalan dan output ke bahagian depan antara muka yang lancar dan hampir serta merta —semuanya dalam masa nyata. Dengan membina pangkalan data Sumber Saling Kendali Penjagaan Kesihatan Pantas (FHIR) pada Google Cloud, Nemati dan Sharma memastikan enjin itu boleh mengskala dan saling kendali merentas institusi pada platform yang boleh dipercayai, selamat dan peribadi yang turut bersepadu dengan projek lain pada teknologi awan, seperti peranti pemantauan boleh dipakai yang sudah digunakan di hospital Emory.

Menskala melalui Google Cloud

Setakat ini, Nemati, Sharma dan pasukan mereka di Emory telah bekerjasama dengan Pusat eICU Emory untuk mengesahkan enjin pada data yang disimpan pada pelayan setempat, menguji rangka masa yang berbeza sebelum mencapai ketepatan mengagumkan sebanyak 85% dalam meramalkan sespis empat hingga enam jam sebelum ia berlaku. Untuk melaksanakan program itu di tapak lain mereka menggunakan App Engine. "Dengan menukar algoritma ramalan sepsis berasaskan TensorFlow kami menjadi Apl dan menjalankan algoritma itu di Google App Engine, kami dapat menyingkirkan keperluan infrastruktur sepenuhnya untuk menjalankan dan mengskala pelaksanaan, sebaliknya menumpukan hanya pada memperbaik algoritma kami,” jelas Nemati.

Memandangkan kini mereka tahu enjin itu berfungsi, mereka merancang untuk mengujinya dengan lebih ramai pengguna, kedua-dua pesakit dan doktor. Mereka juga memindahkan algoritma ke Google Cloud Machine Learning Engine dan TPU untuk prestasi dan boleh skala yang lebih baik serta melaksanakan penyulitan hujung ke hujung bagi meminimumkan kemungkinan pendedahan data pesakit. Dengan menjalankan kajian yang tersebar secara meluas pada Google Cloud mereka boleh bertanya set soalan baharu: Apakah rangka masa yang ideal untuk melakukan ramalan yang tepat atau mengoptimumkan rawatan? Adakah enjin akan membantu doktor untuk lebih membantu pesakit? Bagaimana Mata Risiko mempengaruhi rawatan di hospital berbeza dengan aliran kerja dan budaya setempat mereka?

Akhir sekali, perkara paling penting adalah memperbaik hasil perubatan bagi pesakit sebenar di ICU dan Sharma menyedari hakikat itu. "Punca algoritma ini berfungsi dengan hebat adalah kerana algoritma ini menyediakan maklumat dalam tetingkap yang boleh bertindak, jadi doktor boleh melakukan campur tangan yang bermanfaat untuk pesakit. Selain itu, algoritma itu juga membuka kotak hitam pembelajaran yang mendalam dan memberitahu doktor sebab pesakit dianggap berisiko.” Nemati bersetuju, "Sebuah artikel NEJM 2017menunjukkan bahawa untul setiap jam rawatan sepsis ditangguhkan, risiko kematian pesakit meningkat sebanyak 4 peratus. Jadi berapa peratus nyawa yang boleh kami selamatkan jika kami boleh menghalang sepsis begini dan memberi pesakit antibiotik tepat pada masanya? Kami belum tahu lagi, tetapi itulah yang sedang kami uji di Emory dan kami perlu menunjukkan generativiti di tempat lain."