Emory Universityn tutkijat käyttävät Google Cloud Platformia sepsiksen ennustamiseen tehohoidon potilaiden keskuudessa

Kliinisten tietojen, koneoppimisen ja Google Cloud Platformin skaalattavan infrastruktuurin avulla Emory Universityn kehittämän sepsiksen ennustavan algoritmin käytössä voidaan hyödyntää reaaliaikaista analyysia, mikä parantaa riskiryhmään kuuluvien potilaiden hoitoa ja alentaa hoitokustannuksia.

Sepsis on eräs immuunijärjestelmän autoimmuunivasteista tulehdukseen. Sepsiksen saa vuosittain noin 750 000 amerikkalaista, ja se on Yhdysvaltain sairaaloissa hoidetuista sairauksista tappavimpia ja hoitokustannuksiltaan kalleimpia. Sen diagnosointiin ei ole nopeaa keinoa, mutta sepsiksen aikaisella havaitsemisella ja ennaltaehkäisyllä voitaisiin pelastaa paljon henkiä sekä säästää rahaa ja resursseja. Emory Universityn lääketieteellisen tiedekunnan biolääketieteellisen informatiikan laitoksen tohtorit Shamim Nemati ja Ashish Sharma lähestyvät tätä haastetta innovatiivisella tavalla: Nemati on luonut tekoälyalgoritmin, joka hyödyntää 30 000:n Emoryn teho-osastoilla hoidetun potilaan anonyymejä potilastietoja sekä analysoi 65:tä niiden muuttujaa, kuten vitaaliparametreja, demografisia tietoja ja laboratoriotutkimusten tuloksia. Algoritmi seuraa potilaan tietovirtaa viiden minuutin välein, kokoaa tulokset lääkärin arvioitavaksi ja koostaa niiden perusteella reaaliaikaisen pistearvon, joka kuvastaa sepsiksen todennäköisyyttä. Sepsiksen havaitseminen varhaisessa vaiheessa on ensiarvoisen tärkeää; lääkäri näkee pistearvon ja sen perusteet silloin kun antibioottihoidolle saadaan paras vaste.

"Muunsimme TensorFlow-pohjaisen sepsiksen ennustavan algoritmin Google App Enginella suoritettavaksi sovellukseksi. Näin meidän ei tarvitse huolehtia algoritmin suorittamiseen ja skaalaamiseen tarvittavasta infrastruktuurista, vaan voimme keskittyä täysin algoritmin parantamiseen."

Shamim Nemati, Apulaisprofessori, biolääketieteellisen informatiikan laitos, Emory University

Ratkaisu kriittisen hoidon tarpeisiin

Algoritmilla on kolme pääkomponenttia: syötetyt ja tallennetut tietojoukot, tietoja analysoiva tekoälyalgoritmi ja lääkäreiden käyttöliittymä. Tietojen syöttö- ja tallennusjärjestelmä on erityisen monimutkainen: jokaisesta potilaasta on kymmeniätuhansia megatavuja erittäin tarkkoja tietoja (mm. verenpaine, hengitystiheys), joissa on oltava aikaleima ja jotka on suojattava tarkasti, ja lisäksi tietoja on voitava käsitellä välittömästi äärimmäisen kiireellisissä tapauksissa. Algoritmi näyttää lääkärille sepsiksen riskiä kuvastavan, helppolukuisen koontipistemäärän. Hälytysjärjestelmä ilmoittaa lääkärille, kun potilaan arvot ylittävät sepsiksen riskirajat, minkä ansiosta kiireinenkin henkilökunta voi aloittaa hoidon nopeasti.

Tohtori Sharma suunnitteli sovelluksen Google Cloud Platform (GCP) ‑alustalla yhdistelemällä GCP:n ja avoimen lähdekoodin työkaluja (mm. TensorFlow) ja mikropalvelusäiliöitä. Tämä mahdollistaa syötettyjen tietojen sulavan ja lähes välittömän käsittelyn, ennakoivan analyysin ja tulosten näyttämisen suoraan käyttöliittymän kautta – kaikki tämä reaaliajassa. Nemati ja Sharma loivat GCP:hen FHIR (Fast Healthcare Interoperability Resources) ‑tietokannan, jonka ansiosta sovellusta voidaan skaalata ja käyttää eri laitosten kesken luotettavalla, vakaalla ja tietosuojatulla alustalla, joka voidaan integroida muihin pilvitekniikkaa käyttäviin hankkeisiin, kuten Emoryn sairaaloissa jo käytössä oleviin puettaviin seurantalaitteisiin.

Google Cloud Platformin skaalautuvuus

Nemati ja Sharma sekä heidän työryhmänsä Emoryssa tekevät yhteistyötä Emory eICU Centerin kanssa tavoitteenaan vahvistaa algoritmin toimivuus paikallisten palvelinten sisältämillä tiedoilla. Algoritmia testattiin eri aikaväleillä niin, että sepsis voitiin ennustaa 85 %:n tarkkuudella 4‒6 tuntia ennakkoon. Kun ohjelmaa alettiin ottaa käyttöön muualla, avuksi otettiin App Engine. \”Muunsimme TensorFlow-pohjaisen sepsiksen ennustavan algoritmin Google App Enginella suoritettavaksi sovellukseksi. Näin meidän ei tarvitse huolehtia algoritmin suorittamiseen ja skaalaamiseen tarvittavasta infrastruktuurista, vaan voimme keskittyä täysin algoritmin parantamiseen,” Nemati kertoo.

Nyt kun algoritmin tiedetään toimivan, sen testausta aiotaan laajentaa kattamaan yhä useampia lääkäreitä ja potilaita. Algoritmi aiotaan myös sovittaa Google Cloud Machine Learning Enginelle ja sen TPU:ille, mikä parantaisi suorituskykyä ja skaalattavuutta, ja siihen aiotaan sisällyttää potilaiden tietojen vuotoriskin minimoiva salaus molemmissa päissä. GCP-alustalla suoritettavan laajan, hajautetun tutkimuksen perusteella tutkijat voivat pohtia uusia kysymyksiä: Mikä on tarkkojen ennusteiden ja parhaiden hoitojen kannalta ihanteellinen aikaväli? Parantaako algoritmi hoitoa? Miten riskin pistemäärä vaikuttaa hoitoon eri sairaaloissa, joiden työnkulut ja työkulttuuri vaihtelevat?

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, Apulaisprofessori, biolääketieteellisen informatiikan laitos, Emory University

Organisaatioprofiili

Emory Universityssa on 15 000 opiskelijaa ja jatko-opiskelijaa sekä yhtä suuri määrä työntekijöitä. Se on Atlantan metropolialueen toiseksi suurin työllistäjä ja sen terveydenhoitoverkosto on osavaltion suurin. Yliopiston lääketieteellisen tiedekunnan biolääketieteellisen informatiikan laitos perustettiin vuonna 2011, ja se erikoistuu monitieteellisiin hankkeisiin, joissa lääketieteellinen tutkimus ja tilastotiede kohtaavat.

Käytetyt tuotteet

Kiitos tilauksesta!

Kerro meille enemmän kiinnostuksen kohteistasi.