Onderzoekers van ETH Zürich passen machine learning toe op intensive care-afdelingen om onderscheid te maken tussen valse alarmen en alarmen die echte medische problemen signaleren.

piep, piep, piep. Op intensive care-afdelingen (ICU), een of ander bewakingsapparaat laat altijd alarm slaan. Of het nu gaat om een ​​patiënt met een te laag zuurstofgehalte in het bloed, iemand in het volgende bed wiens intracraniale druk stijgt, of iemand anders wiens bloeddruk een duikvlucht heeft genomen. Of misschien gewoon omdat een patiënt van houding in bed is veranderd.

Valse alarmen zoals deze laatste komen maar al te vaak voor. Ze maken gebruik van de kostbare tijd van medisch personeel en vergroten het risico dat echte alarmen verloren gaan in de stroom van valse alarmen. Dat betekent dat het in het belang van verpleegkundigen en artsen is om het aantal valse alarmen sterk terug te dringen. Werken met wetenschappers van de Neurocritical Care Unit van het Universitair Ziekenhuis Zürich, onderzoekers van ETH Zürich hebben nu een machine learning-methode ontwikkeld die precies dat wil bereiken.

Gegevens combineren

Als onderdeel van een haalbaarheidsstudie binnen een data science-project genaamd ICU Cockpit, de onderzoekers maakten gebruik van uitgebreide gegevensregistraties op de intensive care. Met toestemming van de patiënten, hun vitale functies worden systematisch opgeslagen met een hoge temporele resolutie, samen met eventuele alarmen die zijn afgegaan.

Zoals meestal het geval is op IC's, de verschillende apparaten voor het bewaken van de bloedsomloop, kunstmatige beademing en hersenmonitoring werken onafhankelijk van elkaar. Bijgevolg, de apparaten laten elk hun eigen alarm horen wanneer hun meetwaarden boven of onder een bepaalde drempelwaarde komen. De onderzoekers combineerden en synchroniseerden de gegevens van deze verschillende apparaten en pasten vervolgens nieuwe machine learning-technieken toe om te bepalen welke alarmen vanuit medisch oogpunt niet relevant waren.

Computer doet dokterswerk

"Gebruikelijk, voordat een computer kan leren, mensen moeten eerst een bepaald aantal alarmen hebben gecategoriseerd als relevant of niet-relevant, " legt Walter Karlen uit, Hoogleraar mobiele gezondheidssystemen aan de ETH Zürich. "Computersystemen kunnen deze informatie vervolgens gebruiken om het principe achter de classificatie te begrijpen en uiteindelijk zelf alarmen te categoriseren."

Echter, alarmen op de intensive care door iemand laten classificeren is een oneindige taak, niet alleen omdat het voor elke patiënt afzonderlijk moet worden gedaan. Aanvullend, medisch personeel dat patiënten op de intensive care behandelt, zou niet de tijd hebben om ook een computer te leren.

Werkt zelfs met fragmentarische gegevens

Dit betekent dat het ideale systeem voor inzet op een IC een systeem is dat zichzelf kan aanleren, zelfs als verpleegkundigen of artsen slechts een klein aantal alarmen hebben geclassificeerd. Hier komt de machinale leermethode die Karlen en zijn collega's hebben ontwikkeld echt tot zijn recht.

De wetenschappers testten hun methode met behulp van een kleine dataset van de neurocritical care unit in Zürich:registraties van de vitale functies en alarmen voor 14 patiënten gedurende een periode van meerdere dagen. Gemiddeld, de medische apparaten luidden bijna 700 keer per patiënt per dag; met andere woorden, elke twee minuten. Hoewel slechts 1, 800 (13 procent) van het totaal van 14 van de dataset, 000 alarmen waren handmatig geclassificeerd, het algoritme was niettemin in staat om de resterende alarmen te categoriseren als echt of onwaar. Als de wetenschappers toestonden dat het systeem een ​​foutenpercentage van 5 procent had, het verminderde het aantal valse alarmen met 77 procent.

De wetenschappers konden ook aantonen dat de methode werkt, zelfs met een aanzienlijk lagere mate van handmatige hulp:er waren slechts 25 of 50 handmatige classificaties nodig om het systeem een ​​groot aantal alarmen als vals te markeren. De wetenschappers toonden ook aan dat met name in situaties waar er zeer weinig handmatige hulp is geweest, de nieuwe methode is veel effectiever dan bestaande machine learning-methoden.

Dit project analyseerde klinische gegevens retrospectief. De onderzoekers overwegen nu om de effectiviteit van hun algoritme te bestuderen met behulp van een prospectieve klinische studie.