Sepsis, som er en autoimmun reaksjon på infeksjon, er en av de dødeligste og mest ressurskrevende tilstandene som behandles ved sykehus i USA. Rundt 750 000 amerikanere rammes av sepsis hvert år. Tidlig oppdaging og forebygging kan føre til betydelig sparing av liv, penger og ressurser, men likevel finnes det ingen pålitelig metode for rask diagnostisering av sepsis. Dr. Shamim Nemati og Dr. Ashish Sharma, som er tilknyttet Department of Biomedical Informatics ved Emory University School of Medicine, har en helt ny tilnærming til denne utfordringen. Ved hjelp av 30 000 anonymiserte elektroniske pasientjournaler som er samlet inn på intensivavdelingene ved Emory, har Dr. Nemati utviklet en AI-motor for å analysere 65 relevante variabler, for eksempel vitale tegn, pasientdemografi og laboratorieresultater. Gjennom kontinuerlig overvåking av en pasients datastrøm med fem minutters intervaller konstruerer motoren for forutsigelse av sepsis en samlet skår i sanntid som gir en tidlig indikasjon på risikoen for å utvikle sepsis. Funnene vises i en oversikt som klinikerne kan evaluere. Ettersom tidlig oppdaging er essensielt, kan klinikerne se resultatet og en forklaring av når behandling med antibiotika er mest effektivt.
Forskere ved Emory University bruker Google Cloud til tidlig oppdaging av sepsis hos intensivpasienter
Ved å kombinere kliniske data og maskinlæring med den skalerbare infrastrukturen i Google Cloud har Emory University utviklet en motor for tidlig oppdaging av sepsis (blodforgiftning) der sanntidsanalyse blir brukt til å tilrettelegge for bedre behandling av risikopasienter – samtidig som kostnadene holdes nede.
«Ved å konvertere den TensorFlow-baserte algoritmen vår for tidlig oppdaging av sepsis til en app og kjøre appen på Google App Engine, kunne vi se bort fra krav til infrastruktur for kjøring og oppskalering av implementeringen – og dermed kunne vi konsentrere oss om å gjøre algoritmen best mulig.»
Shamim Nemati, Amanuensis ved Department of Biomedical Informatics, Emory University
En løsning for akutt behandling
Motoren har tre essensielle komponenter: innkommende og lagrede datasett, en AI-algoritme som analysere dataene, samt et brukergrensesnitt for klinikere. Innmatingen og lagringen av data er særlig komplisert: Flere titalls megabyte data med høy oppløsning, for eksempel blodtrykk og respirasjonsfrekvens for hver pasient, må tidsstemples, hemmeligholdes og beskyttes samt behandles umiddelbart for å kunne gi resultater til rett tid ved risikotilstander. Motoren produserer deretter en sammensatt risikoskår knyttet til sepsis, og denne vises i en oversikt som skal være enkel for klinikere å lese med et øyekast. Et alarmsystem varsler klinikere når en pasient når et grensenivå som indikerer utvikling av sepsis. Dermed blir de enkelt for travle helsearbeidere å reagere raskt.
Dr. Sharma utviklet motoren på Google Cloud med et integrert sett av Google Cloud-verktøy og verktøy med åpen kildekode, for eksempel TensorFlow, og et sett med beholderbaserte mikrotjenester, noe som har resultert i en jevn og nærmest umiddelbar behandling av inndata, prediktiv analyse samt utdata til brukergrensesnittet – alt i sanntid. Ved å utvikle en FHIR-database (Fast Healthcare Interoperability Resources) på Google Cloud har Nemati og Sharma sørget for at motoren kan skaleres og samkjøres over flere institusjoner på en pålitelig, sikker og privat plattform. Denne kan også integreres med andre prosjekter knyttet til skybaserte teknologier, for eksempel overvåkingsenheter pasienten kan ha på seg – noe som allerede brukes ved Emory-sykehusene.
Skalering ved hjelp av Google Cloud
Hittil har Nemati, Sharma og teamet deres ved Emory samarbeidet med Emory eICU Center om å validere motoren på data som er lagret på lokale tjenere. De testet ulike tidsrammer før de oppnådde en nøyaktighet på hele 85 % for oppdaging av sepsis – fra fire til seks timer før tilstanden ble utløst. For å implementere programmet andre steder brukte de App Engine. «Ved å konvertere den TensorFlow-baserte algoritmen vår for tidlig oppdaging av sepsis til en app og kjøre appen på Google App Engine, kunne vi se bort fra krav til infrastruktur for kjøring og oppskalering av implementeringen – og dermed kunne vi konsentrere oss om å gjøre algoritmen best mulig,» sier Nemati.
Nå som de vet at motoren fungerer, har de planer om å teste den på flere brukere – både pasienter og leger. De porterer også algoritmen over til Google Cloud Machine Learning Engine og TPU-enheter for å oppnå bedre ytelse og skalerbarhet, og de innlemmer ende-til-ende-kryptering for å minimere risikoen for eksponering av pasientdata. Ved å gjennomføre en bredt distribuert undersøkelse på Google Cloud kan de stille en helt ny type spørsmål. Hva er de ideelle tidsrammene for å stille riktige diagnoser eller optimalisere behandlinger? Kan motoren hjelpe leger med å gi pasientene bedre behandling? Hvordan kan en risikoskår påvirke behandlingen ved ulike sykehus, som hvert har sin egen lokale arbeidsflyt og kultur?
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."
“The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can take meaningful actions for a patient."
Ashish Sharma, Amanuensis ved Department of Biomedical Informatics, Emory University