Predikce pomocí strojového učení parametrů skóre včasného varování na jednotkách intenzivní péče (AIM-PEW-ICU)

U pacientů monitorovaných na jednotce intenzivní péče je v reálném čase zaznamenáváno velké množství různých orgánových funkcí. Shromážděné naměřené hodnoty jsou jednak využívány pro kontinuální sledování vitálních parametrů, např. krevní tlak, srdeční frekvence a dechová frekvence, ale jsou vyhodnocovány i několikrát denně ve spojení s dalšími údaji v rámci obchůzek na oddělení. V obou případech, průběžné monitorování z omezeného počtu parametrů, ale také při odlišném hodnocení s rozsáhlejším souborem analyzovatelných parametrů, existují omezení ve vyhodnotitelnosti i při veškeré dostupné péči a odbornosti: Při průběžné analýze je interpretace omezená omezeným počtem kontinuálně zaznamenávaných parametrů popsaných výše. Přestože je možné velké množství takových měření a alespoň teoreticky by bylo možné měřit větší počet parametrů, limity specifické pro pacienta, jako je spolupráce pacienta, lékařské limity, jako je významnost naměřených hodnot v konkrétních situacích, ale také ekonomické limity jsou v této souvislosti často rozhodující. Ačkoli lze z nepřetržitého a tedy úplného znázornění aspektů lidské fyziologie vyvodit přesné závěry, omezení dostupných parametrů snižuje interpretovatelnost syntézy různých stavů. V širších, komplexnějších hodnoceních při návštěvách v konkrétních časových bodech jsou naopak omezení mimo jiné kvůli bodovým záznamům jednotlivých naměřených hodnot a předdefinovaných časů návštěv. I když jsou (nebo mohou být) pro měřená data definovány mezní hodnoty, a důsledkem, např. při překročení nebo nedosažení těchto hodnot je zahájen terapeutický krok, toto upozornění lze spustit zpětně pouze při překročení těchto hodnot a důsledek lze vyvolat pouze zpětně. V této situaci je již patofyziologická změna tak pokročilá, že v mnoha případech již kompenzační mechanismus nefunguje adekvátně a přechází v dekompenzační situaci. V této situaci jsou postižení pacienti na jednotce intenzivní péče v mnoha případech ve smrtelném nebezpečí. Obě situace, průběžné zaznamenávání omezeného počtu parametrů a vyhodnocování rozsáhlých dat formou snapshotu, bylo možné i přes zmíněná omezení optimalizovat. Beze změny sběru dat (čas, rozsah atd.) zůstávají možnosti optimalizace jejich interpretace a důsledky, které lze z interpretace vyvodit. Interpretaci dat určují především interpreti jako způsob interpretace. Současné přístupy se snaží pomocí metod strojového učení (ML) předvídat jednotlivé situace, které v daných datech rozpoznávají nežádoucí události a zároveň umožňují spouštět alarmy preventivně, tedy dříve, než dojde k život ohrožující situaci. Dále již existují studie o změně skóre včasného varování v časových řadách, které jsou však ve své vypovídací hodnotě pro delší predikční období omezené.