Новая модель машинного обучения, оценивающая оптимальные сроки лечения сепсиса, может проложить путь к созданию вспомогательных инструментов, которые помогут врачам персонализировать решения о лечении у постели больного, говорят исследователи.

В статье, опубликованной в журнале Nature Machine Intelligence, ученые из Университета штата Огайо описывают новую модель, которая использует искусственный интеллект для решения сложного вопроса о том, когда назначать антибиотики пациентам с подозрением на сепсис.

Время имеет решающее значение, поскольку сепсис - чрезмерная реакция организма на инфекцию - может быстро привести к отказу органов. И все же его симптомы - жар, низкое кровяное давление, учащенное сердцебиение и проблемы с дыханием - могут выглядеть как множество других заболеваний. Федеральные рекомендации призывают к быстрому лечению антибиотиками широкого спектра действия в качестве первой линии защиты - стратегия, которая обычно требует действий до того, как в лаборатории будут получены культуры, подтверждающие бактериальную инфекцию.

Модель была разработана с учетом этих неопределенностей и нехватки времени.

Исследователи проверили эффективность модели, используя информацию о пациентах, находящихся в реанимации, из базы данных США и европейской базы данных, сравнивая исходы у пациентов, чье фактическое лечение соответствовало рекомендованному моделью графику лечения, с исходами у пациентов, чье фактическое лечение отличалось от рекомендованного моделью на основании их жизненных показателей, результатов анализов и демографических данных, связанных с риском. Показателем, отражающим результат, была выживаемость пациентов через 30 и 60 дней после лечения сепсиса.

"Мы показали, что когда реальное лечение и искусственный интеллект согласны, мы имеем более низкий уровень смертности. Если же они не согласны, то смертность может достигать 25%", - сказал старший автор исследования Пинг Чжан, доктор философии, доцент кафедры компьютерных наук и инженерии и биомедицинской информатики в штате Огайо.

Модель была обучена и проверена на наборе данных, полученных из общедоступной базы данных под названием MIMIC-III. Модель была протестирована на различных частях MIMIC-III и на новом внешнем наборе данных из AmsterdamUMCdb.

Основные показатели почти 14 000 человек с сепсисом включали изменения жизненных показателей пациентов и результатов лабораторных анализов с течением времени, которые служили индикаторами тяжести заболевания и типа инфекции, а также инновационный метод, разработанный для сравнения исходов для пациентов, получавших и не получавших антибиотики в определенное время.

"Мы хотим, чтобы моделирование предсказывало, полезно ли использовать антибиотики в определенное время - да или нет. Но мы никогда не узнаем, что произойдет, если мы не дадим антибиотик. Поэтому мы применили к этой модели концепцию клинических испытаний: Для каждого пациента, который принимал лекарство, мы включили в модель аналогичного, клинически похожего пациента, который в это время не принимал антибиотики", - говорит Чжан, который возглавляет лабораторию искусственного интеллекта в медицине и является основным преподавателем Института трансляционной аналитики данных штата Огайо.

"Таким образом, мы можем предсказать контрфактический исход и обучить модель контрфактического лечения, чтобы выяснить, работает ли лечение сепсиса или нет".

Сепсис является причиной более чем одной трети внутрибольничных смертей и чаще всего наблюдается в отделениях интенсивной терапии и отделениях неотложной помощи, "где мы часто принимаем решения без золотого стандарта - результатов культуры", - сказала соавтор исследования Кэтрин Бак, доктор медицины, доцент кафедры неотложной медицины Медицинского колледжа и директор гериатрического отделения неотложной помощи в Медицинском центре Векснера штата Огайо. "Не у каждого пациента, отвечающего критериям сепсиса, в дальнейшем подтверждается бактериальная инфекция".

Антибиотики не лишены риска - они могут быть токсичны для почек, вызывать аллергическую реакцию или привести к C. difficile, инфекции, которая вызывает сильную диарею и воспаление толстой кишки.

"В этой статье речь идет о том, можем ли мы использовать информацию, доступную врачам, иногда на переднем плане, а иногда нет, чтобы сказать: "Ситуация меняется таким образом, что пациенту полезны антибиотики", - говорит Бак. "Инструмент поддержки принятия решений может подсказать врачам, соответствует ли это тому, что мы уже думаем, или побудить нас спросить себя, что мы упускаем". Надеюсь, со временем все данные электронных медицинских карт, которые у нас есть, выявят сигналы, а затем нужно будет выяснить, как их использовать и как донести их до врачей".

По словам Чжана, эти соображения и доступность данных электронных медицинских карт были важны для того, чтобы снабдить модель нужными данными и разработать ее с учетом многочисленных соображений, возникающих при изменении медицинских обстоятельств.

"Мы смоделировали историю болезни так, как будто это язык", - сказал он. "А для машинного обучения мы всегда обучаем модель пакетно - нужно, чтобы модель проанализировала модель данных, установила параметры и, основываясь на этих параметрах, добавила еще один набор данных для обучения, чтобы внести улучшения. И тогда машина всегда находит лучшие параметры для соответствия модели".

Ключевым показателем, на основании которого модель выдает рекомендации, является показатель последовательной оценки отказа органов (Sequential Organ Failure Assessment, SOFA), который используется для регулярной оценки работы систем органов пациента отделения интенсивной терапии на основании результатов шести лабораторных исследований. Исследователи провели примерные исследования, чтобы продемонстрировать, как может выглядеть интерфейс, разработанный для клинических условий, показав, как меняются оценки SOFA, когда модель корректирует рекомендуемые сроки лечения на основе изменений в персонализированных данных пациента.

"Наша работа является первой, в которой ИИ используется для получения рекомендаций по антибиотикам при сепсисе, используя реальные данные для принятия клинических решений", - сказал Чжан. "Любое подобное исследование нуждается в клинической проверке - это первая фаза ретроспективного анализа данных, а вторая фаза будет включать в себя сотрудничество человека и ИИ для улучшения ухода за пациентами".