ระบบการเรียนรู้ของเครื่องสามารถช่วยการตัดสินใจที่สำคัญในการดูแลรักษาภาวะติดเชื้อได้: แบบจำลองคาดการณ์ว่าผู้ป่วย ER ที่เป็นโรคติดเชื้อจำเป็นต้องเปลี่ยนการรักษาอย่างเร่งด่วนหรือไม่.

นักวิจัยจาก MIT และโรงพยาบาล Massachusetts General (มก) ได้พัฒนาแบบจำลองการพยากรณ์ที่สามารถแนะนำแพทย์ในการตัดสินใจว่าจะให้ยาที่อาจช่วยชีวิตผู้ป่วยที่รักษาภาวะติดเชื้อในห้องฉุกเฉินเมื่อใด. ภาวะติดเชื้อเป็นหนึ่งในสาเหตุที่ทำให้เข้ารับการรักษาบ่อยที่สุด, และสาเหตุการเสียชีวิตที่พบบ่อยที่สุดประการหนึ่ง, ในหอผู้ป่วยหนัก. แต่ผู้ป่วยเหล่านี้ส่วนใหญ่เข้ามาทางห้องฉุกเฉินก่อน. การรักษามักเริ่มต้นด้วยยาปฏิชีวนะและการให้ของเหลวในหลอดเลือดดำ, ครั้งละสองสามลิตร. หากผู้ป่วยตอบสนองไม่ดี, พวกเขาอาจเข้าสู่ภาวะช็อกจากการบำบัดน้ำเสีย, โดยที่ความดันโลหิตลดลงต่ำจนเป็นอันตรายและอวัยวะต่างๆ ล้มเหลว. แล้วก็มักจะไปห้องไอซียู, โดยแพทย์อาจลดหรือหยุดของเหลวและเริ่มใช้ยารักษาโรคหลอดเลือด เช่น นอร์อิพิเนฟริน และโดปามีน, เพื่อเพิ่มและรักษาความดันโลหิตของผู้ป่วย.

โมเดลการเรียนรู้ด้วยเครื่องจักรแบบใหม่คาดการณ์ว่าผู้ป่วย ER ที่เป็นโรคติดเชื้ออาจจำเป็นต้องเปลี่ยนมาใช้ยาบางชนิดหรือไม่. สำนักงานข่าวเอ็มไอที

นั่นคือสิ่งที่อาจยุ่งยากได้. การให้ของเหลวเป็นเวลานานเกินไปอาจไม่มีประโยชน์และอาจทำให้อวัยวะเสียหายได้, ดังนั้นการแทรกแซง vasopressor ในระยะเริ่มต้นอาจเป็นประโยชน์. ในความเป็นจริง, การให้ยา vasopressor ในระยะเริ่มแรกมีความเชื่อมโยงกับอัตราการเสียชีวิตที่ดีขึ้นในภาวะช็อกจากภาวะติดเชื้อ (septic shock). ในทางกลับกัน, การให้ยา vasopressors เร็วเกินไป, หรือเมื่อไม่จำเป็น, มีผลกระทบด้านลบต่อสุขภาพของตัวเอง, เช่นหัวใจเต้นผิดจังหวะและเซลล์ถูกทำลาย. แต่ไม่มีคำตอบที่ชัดเจนว่าควรทำการเปลี่ยนแปลงเมื่อใด; โดยทั่วไปแพทย์จะต้องติดตามความดันโลหิตและอาการอื่นๆ ของผู้ป่วยอย่างใกล้ชิด, แล้วจึงทำการตัดสิน.

ในบทความที่นำเสนอในสัปดาห์นี้ที่การประชุมประจำปีของสมาคมสารสนเทศการแพทย์อเมริกัน, นักวิจัยของ MIT และ MGH อธิบายถึงแบบจำลองที่ "เรียนรู้" จากข้อมูลด้านสุขภาพเกี่ยวกับผู้ป่วยติดเชื้อในกระแสเลือดที่ได้รับการดูแลฉุกเฉิน และคาดการณ์ว่าผู้ป่วยจะต้องใช้เครื่องกดหลอดเลือดภายในไม่กี่ชั่วโมงข้างหน้าหรือไม่. สำหรับการศึกษา, นักวิจัยได้รวบรวมชุดข้อมูลประเภทนี้เป็นครั้งแรกสำหรับผู้ป่วยติดเชื้อ ER. ในการทดสอบ, แบบจำลองนี้สามารถทำนายความต้องการเครื่องกดหลอดเลือดได้มากกว่า 80 เปอร์เซ็นต์ของเวลา.

ทำนายล่วงหน้าได้, เหนือสิ่งอื่นใด, ป้องกันการเข้าห้องไอซียูโดยไม่จำเป็นสำหรับผู้ป่วยที่ไม่ต้องการเครื่องกดหลอดเลือด, หรือเริ่มการเตรียมตัวเข้าห้องไอซียูแต่เนิ่นๆ สำหรับคนไข้ที่ทำ, นักวิจัยกล่าวว่า.

“สิ่งสำคัญคือต้องมีความสามารถในการแยกแยะที่ดีระหว่างใครต้องการเครื่องกดหลอดเลือดและใครไม่ต้องการ [ในห้องฉุกเฉิน]," ผู้เขียนคนแรก Varesh Prasad กล่าว, นักศึกษาปริญญาเอกในโครงการ Harvard-MIT สาขาวิทยาศาสตร์สุขภาพและเทคโนโลยี. “เราสามารถคาดการณ์ได้ภายในสองสามชั่วโมงว่าผู้ป่วยต้องการเครื่องกดหลอดเลือดหรือไม่. กระป๋องอลูมิเนียม, ในตอนนั้น, ผู้ป่วยได้รับของเหลวทางหลอดเลือดดำสามลิตร, นั่นอาจจะมากเกินไป. ถ้าเรารู้ล่วงหน้าลิตรเหล่านั้นก็ไม่ช่วยอะไรอยู่แล้ว, พวกเขาอาจเริ่มใช้ยากดหลอดเลือดเร็วกว่านี้”

ในสถานพยาบาล, โมเดลนี้สามารถนำไปใช้ในมอนิเตอร์ข้างเตียงได้, ตัวอย่างเช่น, ที่ติดตามผู้ป่วยและส่งการแจ้งเตือนไปยังแพทย์ในห้องฉุกเฉินที่มักวุ่นวายเกี่ยวกับเวลาที่จะเริ่มเครื่องกดหลอดเลือดและลดของเหลว. “โมเดลนี้จะเป็นระบบเฝ้าระวังหรือเฝ้าระวังที่ทำงานอยู่เบื้องหลัง,” ผู้ร่วมเขียน Thomas Heldt กล่าว, ว. เอ็ม. ศาสตราจารย์ด้านการพัฒนาอาชีพ Keck ในสถาบันวิศวกรรมการแพทย์และวิทยาศาสตร์ MIT. “มีหลายกรณีของภาวะติดเชื้อในกระแสเลือด [แพทย์] เข้าใจอย่างชัดเจน, หรือไม่ต้องการความช่วยเหลือใดๆ. ผู้ป่วยอาจป่วยมากในการนำเสนอครั้งแรกจนแพทย์รู้ดีว่าต้องทำอย่างไร. แต่ก็ยังมี 'โซนสีเทา',’ โดยที่เครื่องมือประเภทนี้มีความสำคัญมาก”

ผู้ร่วมเขียนบทความนี้คือ James C. ลินช์, นักศึกษาระดับบัณฑิตศึกษาของ MIT; และเทรนท์ ดี. จิลลิงแฮม, เศราฟ เนปาล, ไมเคิล อาร์. ฟิลบิน, และแอนดรูว์ ที. ไรส์เนอร์, MGH ทั้งหมด. Heldt ยังเป็นผู้ช่วยศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและชีวการแพทย์ในภาควิชาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ของ MIT และเป็นผู้วิจัยหลักในห้องปฏิบัติการวิจัยอิเล็กทรอนิกส์.

แบบจำลองอื่นๆ ถูกสร้างขึ้นเพื่อทำนายผู้ป่วยรายใดที่เสี่ยงต่อการติดเชื้อ, หรือเมื่อใดที่ต้องให้ยา vasopressors, ในห้องไอซียู. แต่นี่เป็นโมเดลแรกที่ได้รับการฝึกอบรมเกี่ยวกับงานของ ER, Heldt พูดว่า. จุดเปลี่ยน[ห้องไอซียู] เป็นระยะต่อมาสำหรับผู้ป่วยติดเชื้อในกระแสเลือดส่วนใหญ่. ห้องฉุกเฉินเป็นจุดแรกของการติดต่อผู้ป่วย, ซึ่งคุณสามารถตัดสินใจที่สำคัญซึ่งสามารถสร้างความแตกต่างในผลลัพธ์ได้,Heldt พูดว่า.

ความท้าทายหลักคือการขาดฐานข้อมูล ER. นักวิจัยทำงานร่วมกับแพทย์ MGH ในช่วงหลายปีที่ผ่านมาเพื่อรวบรวมเวชระเบียนเกือบ 186,000 ผู้ป่วยที่เข้ารับการรักษาในห้องฉุกเฉิน MGH จาก 2014 ถึง 2016. ผู้ป่วยบางรายในชุดข้อมูลได้รับยากดหลอดเลือดในช่วงแรก 48 ชั่วโมงของการไปโรงพยาบาล, ในขณะที่คนอื่นไม่มี. นักวิจัยสองคนตรวจสอบบันทึกทั้งหมดของผู้ป่วยที่มีแนวโน้มว่าจะเกิดภาวะช็อกจากการติดเชื้อด้วยตนเอง เพื่อรวมเวลาที่แน่นอนในการบริหารหลอดเลือดด้วย, และคำอธิบายประกอบอื่น ๆ. (ระยะเวลาเฉลี่ยตั้งแต่แสดงอาการติดเชื้อไปจนถึงเริ่มใช้ vasopressor คือประมาณหกชั่วโมง)

บันทึกถูกแบ่งแบบสุ่ม, กับ 70 เปอร์เซ็นต์ที่ใช้ในการฝึกโมเดลและ 30 เปอร์เซ็นต์สำหรับการทดสอบ. “มีองค์ประกอบชั่วคราว - วัตถุมีปฏิสัมพันธ์ระหว่างกันและกับผู้คน - และคุณสมบัติระดับสูงที่คุณจะไม่เห็นในภาพนิ่งหรือเพียงแค่ในภาษา, โมเดลที่ดึงขึ้นมาจนถึง 28 ของ 58 คุณสมบัติที่เป็นไปได้จากผู้ป่วยที่ต้องการหรือไม่ต้องการเครื่องกดหลอดเลือด. คุณสมบัติรวมถึงความดันโลหิต, เวลาที่ผ่านไปนับจากการรับเข้า ER ครั้งแรก, ปริมาตรของเหลวทั้งหมดที่ได้รับการบริหาร, อัตราการหายใจ, สถานะทางจิต, ความอิ่มตัวของออกซิเจน, และการเปลี่ยนแปลงปริมาตรของจังหวะการเต้นของหัวใจ - หัวใจจะสูบฉีดเลือดเท่าใดในแต่ละจังหวะ.

ในการทดสอบ, แบบจำลองจะวิเคราะห์ลักษณะต่างๆ เหล่านั้นจำนวนมากหรือทั้งหมดในผู้ป่วยรายใหม่ตามช่วงเวลาที่กำหนด และค้นหารูปแบบที่บ่งชี้ถึงผู้ป่วยว่าท้ายที่สุดแล้วจำเป็นต้องใช้เครื่องกดหลอดเลือดหรือไม่ก็ได้. จากข้อมูลดังกล่าว, มันทำให้การคาดการณ์, ในแต่ละช่วงเวลา, เกี่ยวกับว่าผู้ป่วยจะต้องการเครื่องกดหลอดเลือดหรือไม่. เพื่อคาดการณ์ว่าผู้ป่วยจำเป็นต้องใช้เครื่องกดหลอดเลือดในอีกสองชั่วโมงข้างหน้าหรือมากกว่านั้นหรือไม่, โมเดลถูกต้อง 80 ถึง 90 เปอร์เซ็นต์ของเวลา, ซึ่งสามารถป้องกันของเหลวที่ให้มากเกินไปครึ่งลิตรหรือมากกว่านั้น, โดยเฉลี่ย.

“โดยพื้นฐานแล้วแบบจำลองจะใช้ชุดของสัญญาณชีพในปัจจุบัน, และวิถีวิถีดูเหมือนเล็กน้อย, และพิจารณาว่าการสังเกตในปัจจุบันนี้ชี้ให้เห็นว่าผู้ป่วยรายนี้อาจต้องใช้เครื่องกดหลอดเลือด, หรือชุดตัวแปรนี้บ่งชี้ว่าผู้ป่วยรายนี้จะไม่ต้องการมัน,ปราสาดกล่าว.

Microsoft Azure Security Technologies, นักวิจัยมีเป้าหมายที่จะขยายงานเพื่อผลิตเครื่องมือที่สามารถทำนายได้มากขึ้น, แบบเรียลไทม์, หากผู้ป่วย ER ในตอนแรกอาจมีความเสี่ยงต่อภาวะติดเชื้อในกระแสเลือดหรือภาวะช็อกจากภาวะติดเชื้อ. “แนวคิดคือการรวมเครื่องมือทั้งหมดเหล่านี้ไว้ในขั้นตอนเดียวซึ่งจะช่วยจัดการการดูแลตั้งแต่เมื่อเข้ามาในห้องฉุกเฉินครั้งแรก,ปราสาดกล่าว.

แนวคิดนี้คือการช่วยเหลือแพทย์ในแผนกฉุกเฉินในโรงพยาบาลใหญ่ๆ เช่น MGH, ซึ่งเห็นเกี่ยวกับ 110,000 ผู้ป่วยเป็นประจำทุกปี, มุ่งเน้นไปที่ประชากรที่มีความเสี่ยงต่อการติดเชื้อมากที่สุด. “ปัญหาของภาวะติดเชื้อคือการที่ผู้ป่วยมักปฏิเสธความร้ายแรงของกระบวนการของโรค,Heldt พูดว่า. “ถ้าใครเข้ามาด้วยความอ่อนแอแล้วรู้สึกไม่ถูก, ของเหลวเล็กน้อยก็มักจะช่วยได้. แต่, ในบางกรณี, พวกเขามีภาวะติดเชื้อและอาจเสื่อมลงอย่างรวดเร็ว. เราต้องการที่จะบอกได้ว่าผู้ป่วยรายใดมีอาการดีขึ้น และรายใดอยู่ในเส้นทางวิกฤตหากปล่อยทิ้งไว้โดยไม่ได้รับการรักษา”

แหล่งที่มา: http://news.mit.edu, โดย Rob Matheson