Navorsers by Emory University gebruik Google Wolk om sepsis te voorspel by intensiewesorgpasiënte

Sepsis, 'n outo-immuunreaksie op infeksie, is een van die dodelikste en duurste kondisies wat in hospitale in die Verenigde State behandel word, en affekteer ongeveer 750 000 Amerikaners elke jaar. Vroeë bespeuring en voorkoming kan dramaties lewens, geld en hulpbronne spaar, en tog is daar nog geen betroubare manier om sepsis vinnig te diagnoseer nie. Dr. Shamim Nemati en dr. Ashish Sharma van die Departement van Biomediese Informatika by Emory-universiteit se mediese skool neem tans 'n innoverende houding in tot hierdie uitdaging: Met die gebruik van geanonimiseerde elektroniese gesondheidsrekords wat van 30 000 pasiënte in Emory se intensiewesorgeenhede ingesamel is, het dr. Nemati 'n AI-enjin geskep om 65 relevante veranderlikes te ontleed, insluitend lewenstekens, pasiëntdemografieë en laboratoriumresultate. Deur 'n pasiënt se datastroom deurlopend elke vyf minute te monitor, bou die sepsisvoorspellingenjin intyds 'n saamgestelde telling wat die waarskynlikheid van sepsisontwikkeling voorspel. Die bevindinge word op 'n kontroleskerm vertoon vir dokters om te analiseer. Aangesien vroeë bespeuring van sleutelbelang is, kan dokters die telling en die logika daaragter sien in die tydvenster wanneer antibiotikabehandeling die effektiefste sal wees.

'n Kritiekesorgoplossing

Die enjin het drie kritieke komponente: die inkomende en gestoorde datastelle, die AI-algoritme wat die data ontleed, en 'n gebruikerkoppelvlak vir die mediese personeel. Die datainvoer en -berging is besonder kompleks: Tientalle megagrepe hoëresolusiedata, soos bloeddruk en asemhalingstempo vir elke pasiënt, moet 'n tydstempel kry, privaat en veilig gehou word en onmiddellik verwerk word om betyds resultate te kan lewer onder hoërisiko-omstandighede. Die enjin verskaf dan 'n saamgestelde sepsisrisikotelling op 'n kontroleskerm wat ontwerp is sodat dokters dit maklik kan lees met een oogopslag. 'n Alarmstelsel laat weet mediese personeel wanneer 'n pasiënt 'n drumpel bereik wat waarskynlik tot sepsis sal lei, wat dit vir besige versorgers makliker maak om vinnig te reageer.

Dr. Sharma het die enjin op Google Wolkplatform ontwerp met die gebruik van 'n geïntegreerde stel Google Wolkplatform- en oopbronnutsgoed, soos TensorFlow en 'n stel behouerde mikrodienste. Die gevolg was 'n vloeiende en bykans oombliklike verwerking van ingevoerde data, voorspellende ontleding en 'n uitset na die gebruikerkoppelvlak – alles intyds. Deur die bou van 'n Fast Healthcare Interoperability Resources (FHIR) -databasis op Google Wolkplatform verseker Nemati en Sharma dat die enjin kan skaleer en wisselwerk tussen instellings op 'n betroubare, veilige en private platform wat ook met ander projekte op wolktegnologieë integreer, soos die drabare moniteringtoestelle wat reeds in gebruik is by Emory-hospitale.

Skalering deur Google Wolkplatform

Tot dusver het Nemati en Sharma, en hulle span by Emory, saam met die Emory eICU-sentrum gewerk om die enjin te valideer op data wat gehuisves is op plaaslike bedieners. Hulle het verskillende tydraamwerke getoets voordat hulle 'n indrukwekkende 85%-akkuraatheid van sepsisvoorspelling vier tot ses uur voor aanvang bereik het. Met die oog daarop om die program by ander liggings te kan ontplooi, het hulle hulle gewend tot App Engine. "Deur ons TensorFlow-gebaseerde algoritme vir sepsisvoorspelling in 'n program om te skakel en dit op die Google App Engine te laat loop, kon ons infrastruktuurvereistes vir die loop van die program en vir die wyer ontplooiing heeltemal uit die weg ruim, en eerder net daarop konsentreer om ons algoritme te verbeter," voer Nemati aan.

Noudat hulle weet dat die enjin werk, beplan hulle om dit op meer gebruikers, pasiënte sowel as mediese personeel, te toets. Hulle dra ook die algoritme oor na Google Cloud Machine Learning Engine en TPU's vir beter werkverrigting en skaleerbaarheid, en inkorporeer punt-na-punt-enkripsie om die potensiële uitlek van pasiëntdata te minimeer. Met hierdie breedverspreide studie op Google Wolkplatform kan hulle 'n nuwe stel vrae vra: Wat is die ideale tydraamwerk waarbinne akkurate voorspellings gemaak moet word of waarbinne behandeling geoptimeer kan word? Sal die enjin dokters help om pasiënte beter te help? Hoe beïnvloed 'n risikotelling behandeling in verskillende hospitale met hul eie werkvloei en -kultuur?

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."