211service.com
Machine learning en risicovoorspelling op de IC
De intensive care-afdeling (ICU) is een van de meest data-intensieve kamers in een ziekenhuis, maar de informatie die uit hartmonitors, ventilatoren en druksensoren stroomt, is over het algemeen niet geïntegreerd en geanalyseerd om een dieper inzicht in de toestand van de patiënt mogelijk te maken. Om dit te veranderen, Boston-area opstarten etiometrie bouwt een ondersteuningssysteem voor klinische beslissingen dat grote hoeveelheden realtime patiëntgegevens kan interpreteren en artsen een momentopname van bruikbare informatie kan bieden.
De oprichters van Etiometry, sommigen van hen voormalige ingenieurs voor lucht- en ruimtevaartnavigatie, werden geïnspireerd door wat zij zagen als een gebrek aan systeemcontrole of analyse voor patiëntgegevens en een nog groter gebrek aan hulpmiddelen om artsen te helpen bij het nemen van beslissingen. Je hebt al deze gegevens gegenereerd op de ICU, maar je hebt geen technologie die er iets mee doet, zegt Dimitar Baronov, vice-president en chief technology officer bij Etiometry. Het enige wat je hebt is menselijke expertise en opleiding. Analytics kan artsen helpen bij het interpreteren van hun gegevens, waardoor ze uiteindelijk betere beslissingen kunnen nemen, sneller kunnen ingrijpen en ongewenste voorvallen kunnen opvangen voordat ze zich voordoen, zegt president en CEO Evan Butler.
Hulpmiddelen voor klinische besluitvorming begeleiden diagnoses en behandelingen door patiëntgegevens in te pluggen in voorspellende modellen die zijn gebaseerd op eerdere patiëntresultaten. De ideeën achter beslissingsondersteuning zijn niet nieuw - al tientallen jaren hebben onderzoekers geprobeerd om computationele hulpmiddelen in het ziekenhuis te brengen die artsen kunnen helpen bij beslissingen met betrekking tot de diagnose en behandeling van patiënten. Grote bedrijven zoals Siemens en Philips bieden producten aan die clinici waarschuwen voor vroege tekenen van de afnemende gezondheid van een patiënt, en onderzoeksorganisaties zoals: Draper Laboratorium ontwikkelen soortgelijke real-time beslissingsondersteunende programma's.
Maar de complexiteit van de menselijke biologie en de langzame acceptatie van elektronische dossiers door ziekenhuizen hebben de technologie vertraagd. Er bestaat een grote variabiliteit tussen patiënten, zegt Decaan Sittig , een onderzoeker op het gebied van klinische informatiesystemen aan het Health Science Center van de Universiteit van Texas in Houston, zodat een normale hartslag voor de ene persoon bijna dood kan zijn voor een ander. Bovendien is het perspectief van een computer beperkt. Een computer kijkt meestal naar een klein aspect van het probleem van de patiënt, maar snapt de context niet, zegt Sittig. Een deskundige arts kan het enorme beeld begrijpen van wat er met een patiënt aan de hand is.
Een andere uitdaging was het overwicht van op papier gebaseerde gegevensopslag, waardoor de hoeveelheid gegevens die beschikbaar was voor onderzoekers die machine learning probeerden te gebruiken om betere modellen voor patiëntenzorg te bouwen, is beperkt. Meestal slaan de meeste ziekenhuizen gegevens ongeveer 72 uur op IC-machines op en gooien ze ze dan weg, zegt Butler. Wat onze technologie de afgelopen jaren echt mogelijk heeft gemaakt, is dat andere bedrijven ziekenhuizen binnenkomen en alle gegevens opslaan.
Het is een krachtig idee om deze grote gegevensverzamelingen te gebruiken om voorspellende modellering te verbeteren, zegt Peter Szolovits , hoofd van de Clinical Decision-Making Group in het Computer Science and Artificial Intelligence Laboratory van MIT. Als de modellen nauwkeurig genoeg zijn, kun je ze gebruiken bij het kiezen tussen verschillende behandelingen voor een patiënt. Dergelijke modellen, getraind op gegevens van echte patiënten, zouden artsen kunnen vertellen wat de verschillende voorspelde resultaten zouden zijn voor elke behandelingsoptie en de mate van onzekerheid die aan elke voorspelling is gekoppeld.
De technologie van Etiometry presenteert deze informatie in een gebruiksvriendelijke interface waarmee artsen snel kunnen zien welke IC-patiënten risico lopen op bijwerkingen en vervolgens eventuele risicopatiënten van dichterbij kunnen bekijken, een gedetailleerde lijst van mogelijke gebeurtenissen bekijken en de waarschijnlijkheid dat ze zal gebeuren. Het team zegt dat hun framework alle patiëntgegevens kan interpreteren die op een ICU worden gegenereerd, van onmiddellijke gegevens, zoals hartslag, tot gegevens die over meerdere uren zijn verzameld, zoals bloedonderzoek.
Het bedrijf heeft zich gericht op pediatrische ICU's en gebruikt machine learning om algoritmen te bouwen op basis van retrospectieve gegevens die ze hebben ontvangen van het Boston Children's Hospital, het Toronto Hospital for Sick Children en andere centra. Het is van plan om volgend jaar te beginnen met testen met realtime gegevens.