Passiv evaluering i operationelt miljø af AI-klinikerens beslutningsstøttesystem til sepsisbehandling

Sepsis er livstruende organdysfunktion på grund af alvorlig infektion og rammer 250.000 patienter årligt i Storbritannien (præ-COVID-19), hvoraf 48.000 dør. Derudover havde stort set alle COVID-19-intensive afdelinger (ICU) dødsfald sepsis. Det er en førende dødsårsag og den dyreste tilstand, der behandles på hospitaler. Det blev anerkendt som en topforskningsprioritet af James Lind Alliance, et partnerskab af patienter og klinikere for at prioritere de mest presserende ubesvarede spørgsmål, som NHS står over for.

Hjørnestenen i genoplivning af sepsis er administration af intravenøse væsker og/eller vasopressorer (lægemidler, der klemmer blodkarrene for at øge blodtrykket) for at opretholde blodgennemstrømningen for at forhindre organsvigt. Der er dog stor usikkerhed omkring den individuelle dosering af disse lægemidler hos en individuel patient, delvist på grund af høj sepsis-heterogenitet. De nuværende retningslinjer giver anbefalinger på befolkningsniveau, men formår ikke at individualisere beslutningerne. Forkerte beslutninger fører til dårligere resultater og øget ICU-ressourceforbrug. Et værktøj til at tilpasse disse medikamenter kan forbedre patientens overlevelse.

Undersøgelsesholdet har udviklet en ny metode til automatisk og kontinuerligt at gennemgå og anbefale den korrekte dosis af disse medikamenter til læger, som blev skabt ved hjælp af kunstig intelligens (AI)-teknikker anvendt på store medicinske databaser. Den anvendte metode kaldes forstærkende læring. I denne ramme modellerer undersøgelsen patienter med sepsis på intensivafdelingen som tilhørende en lang række mulige sygdomstilstande og analyserer, hvilke interventioner der sandsynligvis vil hjælpe dem med at overgå til sundere tilstande og i sidste ende til overlevelse. Forskerne demonstrerede i deres første publikation, at værdien af ​​den valgte AI-strategi i gennemsnit var pålideligt højere end humane klinikere. I en stor valideringskohorte uafhængig af træningsdataene var dødeligheden lavest hos patienter, hvor klinikernes faktiske doser matchede AI-beslutningerne: dødeligheden steg, på en dosisafhængig måde, da klinikernes faktiske beslutninger afveg fra AI-beslutningerne. Undersøgelsesholdet har estimeret, at deres AI-algoritme kunne reducere dødeligheden med 10% (i relative tal), hvilket repræsenterer over 1.000 liv, der reddes årligt i Storbritannien og vil skalere til hundredtusindvis af liv på verdensplan. Nu har undersøgelsesholdet til hensigt at starte klinisk afprøvning af denne AI-teknologi i Storbritannien.

Det påtænkte slutprodukt vil være et stykke software, der vil være tilgængeligt for klinikere (i første omgang ICU-læger, derefter til sidst også for ICU-sygeplejersker) ved sengekanten på intensivafdelingen. Denne software vil blive forbundet med den elektroniske patientjournal, som vil blive ført til AI-algoritmen. Til gengæld vil AI'en identificere, hvor patienten sidder i rækken af ​​mulige sygdomstilstande, og hvilke handlinger (en dosis af intravenøse væsker og vasopressorer) der mest sandsynligt vil være gavnlige.

For det første vil undersøgelsesteamet udvikle dette softwareværktøj, der er i stand til at behandle patientdata inden for den elektroniske patientjournal på NHS-hospitaler i realtid for at foreslå en fremgangsmåde. Undersøgelsen vil starte med at evaluere og forfine dette værktøj i simuleringsstudier. Undersøgelsesholdet vil derefter teste AI-værktøjet i to NHS Trusts i en "skyggetilstand", når resultatet ikke leveres til vagthavende klinikere med ansvar for patientbehandling. Dette vil tillade sammenligning af faktiske beslutninger truffet og anbefalede beslutninger fra AI-systemet. I anden fase af den kliniske evaluering vil undersøgelsesteamet vise anbefalingerne til klinikere for at vurdere værktøjets acceptabilitet for klinikere og også bekræfte den tekniske gennemførlighed for at informere fremtidige store kliniske forsøg.

De langsigtede forventede fordele ved dette projekt er talrige: forbedret patientoverlevelse, reduceret brug af dyrebare intensive ressourcer og reduktion i sundhedsomkostninger.