Artsen op intensive care-afdelingen staan ​​​​voor een voortdurend dilemma:elke bloedtest die ze bestellen, kan kritieke informatie opleveren, maar voegt ook kosten en risico's toe voor patiënten. Om deze uitdaging aan te gaan, onderzoekers van Princeton University ontwikkelen een computationele benadering om clinici te helpen de toestand van patiënten effectiever te monitoren en beslissingen te nemen over de beste mogelijkheden om laboratoriumtests voor specifieke patiënten te bestellen.

Met behulp van gegevens van meer dan 6, 000 patiënten, afgestudeerde studenten Li-Fang Cheng en Niranjani Prasad werkten samen met universitair hoofddocent informatica Barbara Engelhardt om een ​​systeem te ontwerpen dat zowel de frequentie van tests kon verminderen als de timing van kritieke behandelingen kon verbeteren. Het team presenteerde hun resultaten op 6 januari op het Pacific Symposium on Biocomputing in Hawaii.

De analyse concentreerde zich op vier bloedtesten die lactaat, creatinine, bloedureumstikstof en witte bloedcellen. Deze indicatoren worden gebruikt om twee gevaarlijke problemen voor IC-patiënten te diagnosticeren:nierfalen of een systemische infectie die sepsis wordt genoemd.

"Omdat een van onze doelen was om na te denken over de vraag of we het aantal laboratoriumtests konden verminderen, we begonnen te kijken naar de [bloedtest]-panelen die het meest besteld zijn, " zei Chen, co-hoofdauteur van de studie samen met Prasad.

De onderzoekers werkten met de MIMIC III-database, die gedetailleerde gegevens bevat van 58, 000 opnames voor intensive care in het Beth Israel Deaconess Medical Center in Boston. Voor de studie, de onderzoekers selecteerden een subset van 6, 060 records van volwassenen die tussen één en 20 dagen op de IC verbleven en metingen hadden gedaan voor algemene vitale functies en laboratoriumtests.

"Deze medische gegevens, op de schaal waar we het over hebben, in de afgelopen twee jaar in feite beschikbaar zijn gekomen op een manier dat we ze kunnen analyseren met methoden voor machinaal leren, zei Engelhardt, de senior auteur van de studie. "Dat is superspannend, en een geweldige kans."

Het algoritme van het team gebruikt een "beloningsfunctie" die een testorder aanmoedigt op basis van hoe informatief de test op een bepaald moment is. Dat is, er is een grotere beloning bij het afnemen van een test als de kans groter is dat de toestand van een patiënt significant afwijkt van de laatste meting, en als het testresultaat waarschijnlijk een klinische interventie suggereert, zoals het starten van antibiotica of het helpen ademen door mechanische ventilatie. Tegelijkertijd, de functie voegt een boete toe voor de geldelijke kosten en het risico van de test voor de patiënt. Prasad merkte op dat, afhankelijk van de situatie, een clinicus zou kunnen besluiten een van deze componenten voorrang te geven boven andere.

Deze aanpak, bekend als versterkend leren, heeft tot doel beslissingen aan te bevelen die de beloningsfunctie maximaliseren. Dit behandelt de kwestie van medisch testen "zoals het sequentiële besluitvormingsprobleem dat het is, waar u verantwoording aflegt voor alle beslissingen en alle toestanden die u in de afgelopen periode hebt gezien en beslist wat u op dit moment moet doen om de langetermijnbeloningen voor de patiënt te maximaliseren, " legde Prasad uit, een afgestudeerde student informatica.

Het tijdig doorzoeken van deze informatie voor een klinische setting vereist aanzienlijke rekenkracht, zei Engelhardt, een geassocieerd faculteitslid van het Princeton Institute for Computational Science and Engineering (PICSciE). Chen, een student elektrotechniek, werkte samen met haar co-adviseur Kai Li, de Paul M. en Marcia R. Wythes Professor in Computer Science, om de berekeningen van het team uit te voeren met behulp van PICSciE-bronnen.

Om het nut van het door hen ontwikkelde laboratoriumtestbeleid te testen, de onderzoekers vergeleken de waarden van de beloningsfunctie die het gevolg zouden zijn van het toepassen van hun beleid met de testregimes die daadwerkelijk werden gebruikt voor de 6, 060 patiënten in de trainingsdataset, die tussen 2001 en 2012 op de IC werden opgenomen. Ze vergeleken deze waarden ook met de waarden die zouden zijn voortgekomen uit het beleid voor gerandomiseerde laboratoriumtests.

Voor elke test- en beloningscomponent, het beleid gegenereerd door het machine learning-algoritme zou hebben geleid tot verbeterde beloningswaarden in vergelijking met het daadwerkelijke beleid dat in het ziekenhuis wordt gebruikt. In de meeste gevallen presteerde het algoritme ook beter dan willekeurig beleid. Lactaattests waren een opmerkelijke uitzondering; dit zou kunnen worden verklaard door de relatief lage frequentie van lactaattestorders, wat leidt tot een hoge mate van variantie in de informatiefheid van de test.

Algemeen, de analyse van de onderzoekers toonde aan dat hun geoptimaliseerde beleid meer informatie zou hebben opgeleverd dan het daadwerkelijke testregime dat clinici volgden. Het gebruik van het algoritme had het aantal bestellingen van laboratoriumtests met maar liefst 44 procent kunnen verminderen in het geval van witte bloedceltesten. Ze toonden ook aan dat deze aanpak zou hebben geholpen om clinici te informeren om soms uren eerder in te grijpen wanneer de toestand van een patiënt begon te verslechteren.

"Met het bestelbeleid voor laboratoriumtests dat deze methode heeft ontwikkeld, we konden laboratoria bestellen om vast te stellen dat de gezondheid van de patiënt voldoende was verslechterd om behandeling nodig te hebben, gemiddeld, vier uur voordat de arts de behandeling daadwerkelijk startte op basis van door de arts bestelde laboratoria, zei Engelhardt.

"Er is een schaarste aan evidence-based richtlijnen in de intensive care met betrekking tot de juiste frequentie van laboratoriummetingen, " zei Shamim Nemati, een assistent-professor biomedische informatica aan de Emory University die niet bij het onderzoek betrokken was. "Datagestuurde benaderingen zoals die voorgesteld door Cheng en co-auteurs, in combinatie met een dieper inzicht in de klinische workflow, het potentieel hebben om de kaartlast en de kosten van overmatig testen te verminderen, en het situationeel bewustzijn en de resultaten te verbeteren."

De groep van Engelhardt werkt samen met datawetenschappers aan het Predictive Healthcare Team van Penn Medicine om dit beleid de komende jaren in de kliniek te introduceren. Dergelijke inspanningen zijn bedoeld om "medici de superkrachten te geven die andere mensen in andere domeinen krijgen, "Zei Penn Senior Data Scientist Corey Chivers. "Toegang hebben tot machine learning, kunstmatige intelligentie en statistische modellering met grote hoeveelheden gegevens" zullen clinici helpen "betere beslissingen te nemen, en uiteindelijk de patiëntresultaten te verbeteren, " hij voegde toe.

"Dit is een van de eerste keren dat we deze machine learning-benadering kunnen toepassen en daadwerkelijk op de ICU kunnen plaatsen, of in een ziekenhuisomgeving, en zorgverleners adviseren op een manier dat patiënten geen risico lopen, "zei Engelhardt. "Dat is echt iets nieuws."

Dit werk werd ondersteund door het Helen Shipley Hunt Fund, dat onderzoek ondersteunt dat gericht is op het verbeteren van de menselijke gezondheid; en het Eric en Wendy Schmidt Fonds voor Strategische Innovatie, die onderzoek naar kunstmatige intelligentie en machine learning ondersteunt.