Forskare på Emory University använder Google Cloud Platform för att skapa prognoser för sepsis för patienter på intensivvård

Genom att kombinera klinisk data, maskininlärning och den skalbara infrastrukturen på Google Cloud Platform kan Emory University använda analyser i realtid i sin motor för sepsisprognoser. På så vis försöker de ge högriskpatienter bättre vård till lägre kostnad.

Sepsis är en autoimmun respons på infektioner och är ett av de farligaste och dyraste tillstånden att behandla på amerikanska sjukhus. Ungefär 750 000 amerikaner drabbas varje år. Om tillståndet upptäcks i ett tidigt skede och behandlas kan många liv räddas till en lägre kostnad och med färre resurser, men det finns inget tillförlitligt sätt att snabbt diagnostisera sepsis på. Dr. Shamim Nemati och Dr. Ashish Sharma på institutionen för biomedicinsk informatik vid medicinska institutet på Emory University tar sig an utmaningen på ett innovativt sätt. Genom att använda anonymiserade elektroniska patientjournaler från 30 000 patienter från intensivvårdsavdelningarna i Emory har Dr. Nemati skapat en AI-motor som analyserar 65 relevanta variabler, inklusive vitalparametrar, demografi och labbresultat. Genom att övervaka patientens värden regelbundet var femte minut kan algoritmen skapa en sammansatt bedömning. Med hjälp av den kan en prognos för sannolikheten att sepsis uppstår skapas och fynden visas på en instrumentpanel så att läkarna kan göra en utvärdering. Eftersom det är viktigt att sepsis upptäcks på ett tidigt stadie visas inte bara bedömningen för läkarna utan också motiveringen till när behandling med antibiotika är som mest effektiv.

"Genom att konvertera vår TensorFlow-baserade algoritm för sepsisprognoser till en app och köra den med Google App Engine kunde vi flytta fokus från kraven på infrastrukturen för att köra och skala upp implementeringen och i stället koncentrera oss på att förbättra algoritmen."

Shamim Nemati, Emory University, Forskarassistent vid institutionen för biomedicinsk informatik

En lösning för intensivvården

Motorn har tre avgörande komponenter: datamängden för indata och lagring, AI-algoritmen som analyserar datan och användargränssnittet för läkarna. Indatan och lagringen är särskilt komplex eftersom tiotals megabyte högupplöst data, t.ex. blodtryck och andningsfrekvens, måste få en tidsstämpel, hållas säker och sekretessbelagd och behandlas på ett ögonblick så att resultaten snabbt kan visas i riskfyllda situationer. Sedan skapar motorn en sammansatt riskbedömning som visas på en instrumentpanel som är utformad för att vara lätt att läsa med ett ögonkast. Med hjälp av ett larmsystem blir läkaren varskodd när det börjar verka sannolikt att en patient kommer att ådra sig sepsis så att de snabbt kan påbörja behandling även under hektiska perioder.

Dr. Sharma utformade motorn på Google Cloud Platform (GCP) med hjälp av en integrerad uppsättning GCP- och öppen källkod-verktyg, till exempel TensorFlow. Dessutom användes mikrotjänster i behållare som gjorde bearbetningen av indata, prognosanalys och utdata till användargränssnittet problemfri – i realtid. Genom att bygga en Fast Healthcare Interoperability Resources-databas (FHIR) på GCP kunde Nemati och Sharma säkerställa att motorn är skalbar och kan användas av olika institutioner på en pålitlig, säker och privat plattform som kan integreras med andra molnteknikprojekt, som de bärbara övervakningsenheterna som redan används på sjukhus i Emory.

Skalbarhet via Google Cloud Platform

Nemati, Sharma och deras team på Emory har än så länge samarbetat med intensivvårdscentret i Emory för att testa motorn på data som finns på deras lokala servrar. De testade olika tidsramar innan de kunde ställa korrekta prognoser för sepsis fyra till sex timmar innan inträdet i 85 % av fallen, en imponerande siffra. Sedan vände de sig till App Engine i syfte att implementera programmet även på andra ställen. \”Genom att konvertera vår TensorFlow-baserade algoritm för sepsisprognoser till en app och köra den med Google App Engine kunde vi flytta fokus från kraven på infrastrukturen för att köra och skala upp implementeringen och i stället koncentrera oss på att förbättra algoritmen,” säger Nemati.

Nu när de vet hur motorn fungerar planerar de att testa den med fler användare, både läkare och patienter. De porterar även över algoritmen till Googles Cloud Machine Learning Engine och TPU:er för att förbättra prestandan och skalbarheten och införliva kryptering från slutpunkt till slutpunkt i syfte att skydda patienternas uppgifter. Genom att genomföra en bred studie via GCP kan de ställa nya frågor, t.ex. om vilken tidsram som passar bäst för att ställa korrekta prognoser och optimera behandlingarna, om motorn hjälper läkare att behandla patienterna mer effektivt och hur riskbedömningen påverkar behandlingen på olika sjukhus med sina egna arbetsflöden och miljöer.

I slutändan är det viktigaste att vården förbättras för riktiga patienter på intensivvårdsavdelningarna och det är Sharma mycket medveten om. \”Anledningen till att algoritmen fungerar så bra är att den tillhandahåller information i åtgärdsfönstret när läkarna vidtar viktiga åtgärder för patienten. Med hjälp av den svarta lådan för djupinlärningen i algoritmen kan läkarna se varför patienten har bedömts ligga i riskzonen.” Nemati håller med. \”I en artikel i NEJM från 2017 visades det att patienten löper 4 procents större risk att avlida för varje timme som behandlingen för sepsis fördröjs. Så hur många liv kan vi rädda om vi kan diagnostisera sepsis på det här viset och ge patienterna antibiotika i tid? Det vet vi inte än, men på Emory utför vi just nu tester för att ta reda på det och vi måste visa att rönen går att generalisera på andra ställen.\”

"Anledningen till att algoritmen fungerar så bra är att den tillhandahåller information i åtgärdsfönstret om när läkarna kan vidta viktiga åtgärder för patienten."

Ashish Sharma, Emory University, Forskarassistent vid institutionen för biomedicinsk informatik

Organisationsprofil

Emory University har 15 000 studenter för både lägre och högre högskoleexamen och lika många lärare och medarbetare. Det gör skolan till den näst största arbetsgivaren i storstadsområdet Atlanta och dess hälsovårdsnätverk är det största i delstaten. Skolans institution för biomedicinsk information på medicinska institutet grundades 2011 och är inriktad på tvärvetenskapliga projekt som integrerar medicinsk forskning med datavetenskap.

Produkter som används

Tack för att du registrerade dig!

Vi vill gärna veta vad du är intresserad av.