Přístup strojového učení k kontinuální analýze dat vitálních funkcí

Studijní hypotéza: Algoritmy a techniky strojového učení dříve vyvinuté pro použití v oblasti robotiky lze aplikovat v oblasti medicíny. Tyto nejmodernější techniky extrakce funkcí a strojového učení mohou využívat data vitálních funkcí pacienta z monitorů u lůžka k odhalení skrytých vztahů ve fyziologických křivkách a identifikaci fyziologických trendů nebo stavů, které jsou prediktivní pro různé klinické události. Tyto algoritmy by potenciálně mohly poskytnout preventivní upozornění lékařům na vyvíjející se problém pacienta, mnohem dříve, než by kterýkoli člověk mohl v datech detekovat znepokojivou kombinaci událostí nebo trendů.

Konkrétní cíle:

1. Sbírejte údaje o fyziologických křivkách a číselných trendech z monitorů vitálních funkcí pacientů na jednotkách intenzivní péče v nemocnici University of Colorado Hospital a Children's Hospital Colorado.
2. Kombinujte fyziologická data z pacientských monitorů s klinickými daty získanými z elektronických lékařských záznamů pacienta včetně IV tekutin, léků, nastavení ventilátoru, výdeje moči atd. pro použití při vývoji modelů různých klinických stavů.

3. Aplikujte na tyto modely techniky strojového učení k identifikaci fyziologických vlastností křivek a informací o trendech, které jsou charakteristické a prediktivní pro běžné klinické stavy, včetně, ale bez omezení na:

   • Pooperační fibrilace síní a další srdeční dysrytmie
   • Pooperační srdeční tamponáda
   • Tenzní pneumotorax
   • Optimální pooperační a poresuscitační potřeba tekutin
   • Intrakraniální hypertenze a cerebrální perfuzní tlak