Vliv modelu hlubokého učení předpovídajícího sepsi na kvalitu péče a přežití
Časné rozpoznání sepse je klíčové pro lepší prognózu pacienta. Následující studie představuje příznivý dopad aplikace modelu hlubokého učení pro časnou predikci sepse na zdraví, respektive životy pacientů léčených na pohotovostních odděleních.
Predikční model pro záchyt sepse
Prevence a rozpoznání sepse je součástí každodenní péče o pacienty na pracovištích intenzivní péče. Sepse se vyznačuje svou heterogenitou stavu, což znesnadňuje její detekci. Citovaná studie shrnuje poznatky ze zapojení modelu hlubokého učení ke včasné detekci sepse s cílem včasného varování zdravotníků a jejich následné intervence pomocí „balíčků péče“ pro prevenci sepse.
Deep learning neboli „hluboké učení“ je větev strojového učení založená na umělé neuronové síti a přibližující se umělé inteligenci. Hluboké učení nachází v posledních letech uplatnění v mnohých medicínských odvětvích.
Pro zlepšení včasné detekce aplikoval tým z Kalifornské univerzity v San Diegu prediktivní analytiku, konkrétně model hlubokého učení COMPOSER, který v reálném čase importuje data z elektronických zdravotních záznamů k předpovědi sepse před její zjevnou klinickou manifestací. COMPOSER byl pro zvýšení spolehlivosti navržen tak, aby ověřoval své výstupy s předchozími trénovacími vzorky. Tímto způsobem bylo signifikantně sníženo množství falešně pozitivních výstrah, což přispělo k větší důvěře sester, kterým byly výstrahy doručovány, a k jejich compliance s následným doporučeným postupem.
Sledované parametry
Cílem kvaziexperimentální studie před zavedením modelu COMPOSER na dvou různých pohotovostních odděleních v rámci zdravotnického systému UC San Diego a po jeho zavedení bylo posoudit dopad tohoto modelu z hlediska časné predikce sepse, respektive zdravotního stavu pacientů. COMPOSER při pozitivním vyhodnocení stavu sepse spustil notifikaci v elektronickém systému doporučení osvědčených postupů, tzv. BPA (best practice advisory), které jsou doručovány sestrám ve formě pop-up upozornění.
Před intervencí (705 dní) a v období po jejím zavedení (145 dní) byly hodnoceny nemocniční mortalita, compliance s „balíčkem“ pro prevenci sepse, 72hodinová změna orgánové dysfunkce kvantifikovaná skórem SOFA po vypuknutí sepse, dny bez umístění a počet interakcí na jednotce intenzivní péče. Skórovací systém SOFA přináší informace o orgánové dysfunkci, přičemž zvýšené skóre SOFA signifikantně koreluje s morbiditou a mortalitou septických pacientů.
Výsledky studie
Do studie bylo tímto způsobem zahrnuto 6217 dospělých septických pacientů (5065 v předintervenční a 1152 v pointervenční fázi) hospitalizovaných v období od 1. ledna 2021 do 30. dubna 2023. Většina pacientů vykazovala komorbidity, medián skóre SOFA byl v době sepse 2 a výchozí stavy pacientů před zavedením predikčního modelu intervence a po něm se významně nelišily.
Snížení mortality
Průměrná mortalita na sepsi během období po intervenci dosahovala 9,49 %. Nasazení modelu COMPOSER bylo spojeno s 1,9% absolutním snížením (tj. 17% relativním poklesem) úmrtnosti na nemocniční sepsi (95% interval spolehlivosti [CI] 0,3–3,5 %). Zaznamenaný byl také 4% pokles skóre SOFA (95% CI 1,1–7,1 %), který představuje zlepšení stavu septických pacientů z hlediska mortality a morbidity.
Zlepšení compliance sester
Během období po intervenci byla průměrná míra compliance na 53,42 %, což představuje 5% absolutní (a 10% relativní) zlepšení compliance s „balíčkem“ pro prevenci sepse (95% CI 2,4–8,0 %). Podobné výsledky byly zaznamenané na obou pohotovostních odděleních, k významnému zlepšení došlo v parametrech podávání antibiotické léčby, opakovaného odběru laktátu a doplňování tekutin.
Závěr
Včasná intervence implementovaná co nejdříve má pro pacienta značný přínos, včasné rozpoznání sepse je tudíž zásadní. Tato čerstvě publikovaná studie hodnotící aplikaci modelu založeného na hlubokém učení v praxi prokázala významné zvýšení compliance ošetřujícího personálu s doporučenými postupy a významné snížení mortality septických pacientů. Použití těchto modelů by tedy mělo být prospěšné v každodenních klinických podmínkách.
(lexi)
Zdroje:
1. Boussina A., Shashikumar S., Malhotra A. et al. Impact of a deep learning sepsis prediction model on quality of care and survival. NPJ Digit Med 2024; 7 (1): 14, doi: 10.1038/s41746-023-00986-6.
2. Holub M. Definice sepse a septického šoku. Klinická biochemie a metabolismus 2018; 26 (2): 76–78.
3. Jiřík M., Moulisová V., Hlaváč M. a kol. Umělé neuronové sítě a počítačové vidění v medicíně a chirurgii. Rozhledy v chirurgii 2022; 101 (12): 564–570.
4. Litjens G., Kooi T., Bejnordi B. E. et al. A survey on deep learning in medical image analysis. Med Image Anal 2017; 42: 60–88, doi: 10.1016/j.media.2017.07.005.
Líbil se Vám článek? Rádi byste se k němu vyjádřili? Napište nám − Vaše názory a postřehy nás zajímají. Zveřejňovat je nebudeme, ale rádi Vám na ně odpovíme.
Odborné události ze světa medicíny
Všechny kongresy
Nejčtenější tento týden
- Duševní onemocnění se u teenagerů přenáší v rámci školní třídy
- Řekněte mi, co jíte, a já vám řeknu, jaká je úroveň vaší kognice
- Úskalí výpočtů dávkování léků – převody jednotek i stanovení rychlosti infuze
- 10 tipů jak zvládat noční směny
- Zásady správného měření dechové frekvence