Sepsis är en autoimmun respons på infektioner och är ett av de farligaste och dyraste tillstånden att behandla på amerikanska sjukhus. Ungefär 750 000 amerikaner drabbas varje år. Om tillståndet upptäcks i ett tidigt skede och behandlas kan många liv räddas till en lägre kostnad och med färre resurser, men det finns inget tillförlitligt sätt att snabbt diagnostisera sepsis på. Dr. Shamim Nemati och Dr. Ashish Sharma på institutionen för biomedicinsk informatik vid medicinska institutet på Emory University tar sig an utmaningen på ett innovativt sätt. Genom att använda anonymiserade elektroniska patientjournaler från 30 000 patienter från intensivvårdsavdelningarna i Emory har Dr. Nemati skapat en AI-motor som analyserar 65 relevanta variabler, inklusive vitalparametrar, demografi och labbresultat. Genom att övervaka patientens värden regelbundet var femte minut kan algoritmen skapa en sammansatt bedömning. Med hjälp av den kan en prognos för sannolikheten att sepsis uppstår skapas och fynden visas på en instrumentpanel så att läkarna kan göra en utvärdering. Eftersom det är viktigt att sepsis upptäcks på ett tidigt stadie visas inte bara bedömningen för läkarna utan också motiveringen till när behandling med antibiotika är som mest effektiv.
Forskare på Emory University använder Google Cloud för att skapa prognoser för sepsis för patienter på intensivvård
Genom att kombinera klinisk data, maskininlärning och den skalbara infrastrukturen på Google Cloud kan Emory University använda analyser i realtid i sin motor för sepsisprognoser. På så vis försöker de ge högriskpatienter bättre vård till lägre kostnad.
”Genom att konvertera vår TensorFlow-baserade algoritm för sepsisprognoser till en app och köra den med Google App Engine kunde vi flytta fokus från kraven på infrastrukturen för att köra och skala upp implementeringen och i stället koncentrera oss på att förbättra algoritmen.”
Shamim Nemati, Forskarassistent vid institutionen för biomedicinsk informatik, Emory University
En lösning för intensivvården
Motorn har tre avgörande komponenter: datamängden för indata och lagring, AI-algoritmen som analyserar datan och användargränssnittet för läkarna. Indatan och lagringen är särskilt komplex eftersom tiotals megabyte högupplöst data, t.ex. blodtryck och andningsfrekvens, måste få en tidsstämpel, hållas säker och sekretessbelagd och behandlas på ett ögonblick så att resultaten snabbt kan visas i riskfyllda situationer. Sedan skapar motorn en sammansatt riskbedömning som visas på en instrumentpanel som är utformad för att vara lätt att läsa med ett ögonkast. Med hjälp av ett larmsystem blir läkaren varskodd när det börjar verka sannolikt att en patient kommer att ådra sig sepsis så att de snabbt kan påbörja behandling även under hektiska perioder.
Dr. Sharma utformade motorn på Google Cloud med hjälp av en integrerad uppsättning Google Cloud- och öppen källkod-verktyg, till exempel TensorFlow. Dessutom användes mikrotjänster i behållare som gjorde bearbetningen av indata, prognosanalys och utdata till användargränssnittet problemfri – i realtid. Genom att bygga en Fast Healthcare Interoperability Resources-databas (FHIR) på Google Cloud kunde Nemati och Sharma säkerställa att motorn är skalbar och kan användas av olika institutioner på en pålitlig, säker och privat plattform som kan integreras med andra molnteknikprojekt, som de bärbara övervakningsenheterna som redan används på sjukhus i Emory.
Skalbarhet via Google Cloud
Nemati, Sharma och deras team på Emory har än så länge samarbetat med intensivvårdscentret i Emory för att testa motorn på data som finns på deras lokala servrar. De testade olika tidsramar innan de kunde ställa korrekta prognoser för sepsis fyra till sex timmar innan inträdet i 85 % av fallen, en imponerande siffra. Sedan vände de sig till App Engine i syfte att implementera programmet även på andra ställen. ”Genom att konvertera vår TensorFlow-baserade algoritm för sepsisprognoser till en app och köra den med Google App Engine kunde vi flytta fokus från kraven på infrastrukturen för att köra och skala upp implementeringen och i stället koncentrera oss på att förbättra algoritmen,” säger Nemati.
Nu när de vet hur motorn fungerar planerar de att testa den med fler användare, både läkare och patienter. De porterar även över algoritmen till Googles Cloud Machine Learning Engine och TPU:er för att förbättra prestandan och skalbarheten och införliva kryptering från slutpunkt till slutpunkt i syfte att skydda patienternas uppgifter. Genom att genomföra en bred studie via Google Cloud kan de ställa nya frågor, t.ex. om vilken tidsram som passar bäst för att ställa korrekta prognoser och optimera behandlingarna, om motorn hjälper läkare att behandla patienterna mer effektivt och hur riskbedömningen påverkar behandlingen på olika sjukhus med sina egna arbetsflöden och miljöer.
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, Forskarassistent vid institutionen för biomedicinsk informatik, Emory University