Max Home IndustryИскусственный интеллект (ИИ) в форме алгоритма с машинным обучением правильно распределил подавляющее большинство послеоперационных пациентов в отделение интенсивной терапии в своем первом экспериментальном приложении в условиях университетской больницы. Точность этого компьютерного алгоритма побуждает хирургов предвидеть активное использование ИИ для получения в реальном времени клинической информации из электронных медицинских карт пациента, чтобы более надежно определить, нуждается ли пациент в интенсивном или обычном послеоперационном уходе. Результаты пилотного исследования алгоритма были представлены на клиническом конгрессе Американского колледжа хирургов в 2019 году.
В настоящее время хирургические бригады полагаются на клиническую оценку, чтобы решить, каким пациентам требуется послеоперационная интенсивная терапия. Не существует единого набора фиксированных критериев или стандартного послеоперационного пути для принятия решения.
Клиницисты обычно склонны к чрезмерной сортировке, то есть, если у них есть сомнения, они проявляют осторожность и отправляют пациента в реанимацию. Однако чрезмерная сортировка может привести к тому, что в отделение интенсивной терапии попадет пациент, которому нет необходимости. «В таких случаях пациент может излишне подвергаться воздействию бактерий с множественной лекарственной устойчивостью и иметь увеличенную общую продолжительность пребывания в больнице. С другой стороны, недостаточная сортировка означает, что пациента, который должен был быть в отделении интенсивной терапии, направляют на выздоровление или этап «, — сказал Марковалерио Мелис, доктор медицины, FACS, доцент хирургии, Госпитальная система Лангоне Нью-Йоркского университета, Нью-Йорк, и соавтор пилотного исследования.
ИИ начинает использоваться, чтобы помочь пациентам отсортировать симптомы, чтобы они могли решить, следует ли им обратиться в отделение неотложной помощи или обратиться за лечением в другое учреждение, например, в центр неотложной помощи. 1,2 В настоящее время он начинает применяться в хирургии и имеет потенциал для создания всеобъемлющих баз данных о хирургических методах и практиках и их результатах, а также для предоставления клинической поддержки в режиме реального времени, основанной на доказательствах. 3
В пилотном исследовании использовалась форма машинного обучения случайного леса для анализа больших объемов данных, поиска корреляций между переменными, оценки вариантов и поиска решений сложной проблемы. Случайный лес строит блок-схему вопросов и ответов, которые приводят к решению, и объединяет опыт и информацию из многих источников, чтобы уменьшить изменчивость и повысить надежность прогнозов. 4
Результирующий алгоритм включал 87 клинических переменных и 15 конкретных критериев, связанных с целесообразностью госпитализации в ОИТ в течение 48 часов после операции. Поступление в отделение интенсивной терапии считалось целесообразным, если соблюдался один из этих критериев. Критерии включали: интубацию более 12 часов, повторную интубацию, остановку дыхания или кровообращения, вызов быстрого ответа или код, артериальное давление ниже 100/60 м рт.ст. в течение двух часов подряд, частота сердечных сокращений ниже 60 или выше 110 ударов в минуту в течение двух часов подряд, использование прессоров, установка центральной венозной магистрали или катетера Свана-Ганца, эхокардиограмма, новое начало сердечной аритмии, инфаркт миокарда, возвращение в операционную, переливание крови, требующее более 4 единиц, или повторная госпитализация в отделение интенсивной терапии после предшествующей госпитализации .
Исследователи подготовили анкету, чтобы проспективно спросить врачей, как они оценивают потребность в интенсивной терапии для каждого пациента. «Мы спросили врачей, какой путь лучше всего подходит для каждого пациента: следует ли ему пойти в отделение неотложной помощи, в обычный пол или в отделение интенсивной терапии? Мы задали машине тот же вопрос и сравнили результаты», — пояснил Франческо Мария Каррано. , Доктор медицинских наук, научный сотрудник Нью-Йоркского университета в Лангоне и первый автор исследования.
Искусственный интеллект правильно отсортировал 41 из 50 пациентов, участвовавших в исследовании (82 процента). Точность сортировки хирургов составила 70 процентов (35 пациентов), реаниматологов — 64 процента (32 пациента), а анестезиологов — 58 процентов (29 пациентов). Наименьшее количество неверных решений по сортировке было у ИИ (18 процентов), за ним следовали 30 процентов для хирургов, 36 процентов для реаниматологов и 42 процента для анестезиологов.
Показатели заболеваемости были одинаковыми для искусственного интеллекта (12 процентов) и хирургов (10 процентов); частота повторных посещений была намного ниже для AI (6 процентов), чем для клиницистов, уровень которых варьировался от 20 до 40 процентов. Кроме того, ИИ добился положительного прогнозирования 50 процентов и отрицательного прогнозирования 86 процентов.
Хотя алгоритм этого исследования явно превзошел мнение клиницистов, это лишь первый шаг. Хирургические исследователи планируют применить алгоритм к другим группам пациентов и включить другие демографические и клинические особенности. «Большинство пациентов в этом исследовании были мужчинами в нашей больнице. Мы хотели бы расширить изучение алгоритма на женщин и пациентов в других больницах», — сказал д-р Каррано.
«Алгоритм будет улучшаться и совершенствоваться по мере того, как машина будет анализировать больше пациентов, а тестирование в других центрах подтвердит модель искусственного интеллекта. Конечно, как показано в этом исследовании, концепция действительна и может быть экстраполирована на любую больницу», — сказал доктор Мелис.