Tijdens de operatie, anesthesiologen controleren en beheren patiënten om ervoor te zorgen dat ze veilig zijn en goed ademen. Maar deze artsen kunnen niet altijd voorspellen wanneer complicaties zullen optreden.

Nu hebben onderzoekers van de Universiteit van Washington een nieuw machine-leersysteem ontwikkeld, genaamd Prescience, die input van patiëntenkaarten en standaard operatiekamersensoren gebruikt om de waarschijnlijkheid te voorspellen dat een patiënt hypoxemie zal ontwikkelen - een aandoening waarbij het zuurstofgehalte in het bloed iets onder normaal daalt. Hypoxemie kan ernstige gevolgen hebben, zoals infecties en abnormaal hartgedrag.

Prescience biedt ook echte verklaringen achter zijn voorspellingen. Met deze informatie, anesthesiologen kunnen beter begrijpen waarom een ​​patiënt risico loopt op hypoxemie en dit voorkomen voordat het gebeurt. Het team, die zijn bevindingen op 10 oktober zal publiceren Natuur Biomedische Technologie , schat dat Prescience het vermogen van anesthesiologen zou kunnen verbeteren om elk jaar 2,4 miljoen meer hypoxemiegevallen in de Verenigde Staten te anticiperen en te voorkomen.

"Moderne methoden voor machinaal leren spugen vaak gewoon een voorspellingsresultaat uit. Ze leggen je niet uit welke patiëntkenmerken hebben bijgedragen aan die voorspelling, " zei Su-In Lee, een universitair hoofddocent aan de Paul G. Allen School of Computer Science &Engineering van de UW en senior auteur van het artikel. "Onze nieuwe methode opent deze zwarte doos en stelt ons in staat om te begrijpen waarom twee verschillende patiënten hypoxemie kunnen ontwikkelen. Dat is de kracht."

Lee en Scott Lundberg, een doctoraatsstudent aan de Allen School, startte het project door medewerkers van UW Medicine te ontmoeten om erachter te komen wat ze nodig hadden in de operatiekamer.

"Een van de dingen die de anesthesiologen zeiden was:'We zijn niet echt tevreden met alleen een voorspelling. We willen weten waarom, '" zei Lee. "Dus dat zette ons aan het denken."

Lee en Lundberg wilden een machine learning-systeem maken dat zowel voorspellingen kon doen als ze kon verklaren. Eerst, ze verwierven een dataset van 50, 000 echte operaties van de medische centra van de Universiteit van Washington en Harborview in Seattle. Deze gegevens omvatten informatie over de patiëntopname, zoals leeftijd en gewicht, evenals realtime, informatie van minuut tot minuut:hartslag, zuurstofniveaus in het bloed en meer - tijdens de operaties. De wetenschappers gebruikten al deze gegevens om Prescience te leren voorspellingen te doen.

Het team wilde dat Prescience twee verschillende soorten problemen zou oplossen. Prescience moest naar pre-operatieve informatie kijken en voorspellen of een bepaalde patiënt hypoxemie zou krijgen terwijl hij onder narcose was. Prescience moest ook hypoxemie op elk moment tijdens de operatie voorspellen door naar realtime informatie te kijken. Eindelijk, Lee en Lundberg ontwikkelden een nieuwe aanpak om Prescience te trainen om begrijpelijke verklaringen achter zijn voorspellingen te genereren.

Voor de pre-operatieve gegevens, Prescience ontdekte dat de body mass index een belangrijk kenmerk was dat bijdroeg aan de voorspelling dat een patiënt hypoxemie zou ervaren tijdens een operatie. Maar tijdens de operatie de bloedzuurstofniveaus zelf droegen het meest bij aan een voorspelling.

Met deze informatie in het achterhoofd, het was tijd om Prescience op de proef te stellen.

Lee en Lundberg creëerden een webinterface die anesthesiologen door preoperatieve en realtime gevallen leidde van operaties in de dataset die niet werden gebruikt om Prescience te trainen. Voor de realtime-test, de onderzoekers kozen specifiek gevallen die moeilijk te voorspellen zouden zijn, bijvoorbeeld wanneer het zuurstofgehalte in het bloed van een patiënt 10 minuten stabiel is en dan daalt.

"We wilden weten of dit informatief zou zijn voor anesthesiologen, " zei Lundberg, wie is de eerste auteur op het papier. "Dus voor sommige van hun gevallen, ze kregen een balk met aanvullende informatie van Prescience."

Prescience verbeterde het vermogen van de artsen om het hypoxemierisico van een patiënt correct te voorspellen met 16 procent vóór een operatie en met 12 procent in realtime tijdens een operatie. Algemeen, met de hulp van Prescience, de anesthesiologen waren in staat om bijna 80 procent van de tijd correct onderscheid te maken tussen de twee scenario's, zowel voor als tijdens de operatie.

"Dit onderzoek zal ons in staat stellen beter te anticiperen op complicaties en onze behandeling op elke patiënt te richten, " zei co-auteur Dr. Monica Vavilala, hoogleraar anesthesiologie en pijngeneeskunde aan de UW School of Medicine en directeur van het Harborview Injury Prevention &Research Center. "Als we weten dat er één aspect is dat het probleem veroorzaakt, dan kunnen we dat als eerste en sneller benaderen. Dit kan de manier waarop we oefenen echt veranderen, dus dit is echt een groot probleem."

Prescience is nog niet helemaal klaar om in de operatiekamers te zijn. Lee en Lundberg zijn van plan te blijven samenwerken met anesthesiologen om Prescience te verbeteren en het een interface te geven die zowel intuïtief als nuttig is. In aanvulling, het team hoopt dat latere versies van Prescience andere schadelijke aandoeningen kunnen voorspellen, zoals lage bloeddruk, en behandelplannen aanbevelen.

Ongeacht de toekomst van Prescience, één punt is duidelijk:deze technologie is bedoeld om anesthesiologen te helpen beter voor hun patiënten te zorgen, aldus Lundberg.

"Voorwetenschap behandelt niemand, "zei hij. "In plaats daarvan vertelt het je waarom het bezorgd is, waardoor de arts betere behandelbeslissingen kan nemen."