Passzív értékelés a szepszis kezelésére szolgáló mesterséges intelligencia klinikai döntéstámogató rendszerének működési környezetében

A szepszis súlyos fertőzés miatt életveszélyes szervi diszfunkció, és évente 250 000 beteget érint az Egyesült Királyságban (COVID-19 előtt), akik közül 48 000 meghal. Ezenkívül gyakorlatilag minden COVID-19 intenzív osztályon (ICU) elhunyt haláleset szepszisben szenvedett. Ez a vezető halálok, és a legdrágább kórházi kezelés. A James Lind Alliance, a betegek és a klinikusok partnersége kiemelt kutatási prioritásként ismerte el, hogy az NHS előtt álló legsürgetőbb megválaszolatlan kérdéseket helyezze előtérbe.

A szepszis újraélesztésének alapköve az intravénás folyadékok és/vagy vazopresszorok (olyan gyógyszerek, amelyek összenyomják az ereket a vérnyomás növelése érdekében) adása a véráramlás fenntartása érdekében a szervi elégtelenség megelőzésére. Mindazonáltal óriási bizonytalanság van e gyógyszerek egyéni adagolása körül az egyes betegeknél, részben a szepszis magas heterogenitása miatt. A jelenlegi irányelvek lakossági szintű ajánlásokat fogalmaznak meg, de nem teszik egyedivé a döntéseket. A rossz döntések gyengébb eredményekhez és az intenzív osztály erőforrás-felhasználásához vezetnek. A gyógyszerek személyre szabására szolgáló eszköz javíthatja a betegek túlélését.

A kutatócsoport új módszert dolgozott ki e gyógyszerek megfelelő adagjának automatikus és folyamatos felülvizsgálatára és orvosi ajánlására, amelyet mesterséges intelligencia (AI) technikák alkalmazásával hoztak létre nagy orvosi adatbázisokban. Az alkalmazott módszert megerősítő tanulásnak nevezik. Ennek keretében a tanulmány az intenzív osztályon lévő szepszisben szenvedő betegeket számos lehetséges betegségi állapothoz tartozóként modellezi, és elemzi, hogy milyen beavatkozások segíthetik őket az egészségesebb állapotba való átállásban, és végül a túlélésben. A kutatók első publikációjukban kimutatták, hogy a mesterséges intelligencia által kiválasztott stratégia értéke átlagosan megbízhatóan magasabb, mint a humán klinikusoké. A képzési adatoktól független nagy validációs kohorszban azoknál a betegeknél volt a legalacsonyabb a mortalitás, ahol a klinikusok tényleges dózisai megegyeztek az AI-döntéssel: a halálozási arányok dózisfüggő módon emelkedtek, mivel a klinikusok tényleges döntései eltértek az AI-döntésektől. A kutatócsoport becslése szerint mesterséges intelligencia-algoritmusuk 10%-kal csökkentheti a halálozást (relatív értékben), ami több mint 1000 életmentést jelent évente az Egyesült Királyságban, és világszerte több százezer életet jelentene. A kutatócsoport most az AI-technológia klinikai tesztelését kívánja megkezdeni az Egyesült Királyságban.

Az elképzelt végtermék egy olyan szoftver lesz, amelyet a klinikusok (eleinte az intenzív osztályos orvosok, majd végül az intenzív osztályos nővérek is) férhetnek hozzá az intenzív osztályon az ágy mellett. Ez a szoftver kapcsolódik az elektronikus betegnyilvántartáshoz, amely az AI algoritmusba kerül. Cserébe a mesterséges intelligencia azonosítja, hogy a beteg hol ül a lehetséges betegségi állapotok sorában, és mely intézkedések (egy adag intravénás folyadék és vazopresszor) a legvalószínűbb, hogy előnyösek.

Először is, a kutatócsoport kifejleszti ezt a szoftvereszközt, amely képes valós időben feldolgozni a betegek adatait az NHS-kórházak elektronikus betegnyilvántartásában, hogy javaslatot tegyen a cselekvésre. A tanulmány ennek az eszköznek a szimulációs vizsgálatokban történő értékelésével és finomításával kezdődik. A kutatócsoport ezután két NHS Trust-ban teszteli az AI-eszközt „árnyékmódban”, ha az eredményt nem adják át a betegellátásért felelős ügyeletes klinikusoknak. Ez lehetővé teszi a tényleges döntések és az AI-rendszer által javasolt döntések összehasonlítását. A klinikai értékelés második szakaszában a vizsgálati csoport ajánlásokat tesz a klinikusoknak az eszköz klinikusok számára való elfogadhatóságának értékelésére, valamint megerősíti a műszaki megvalósíthatóságot a jövőbeni nagyszabású klinikai vizsgálatok tájékoztatására.

Ennek a projektnek a hosszú távú várható haszna számos: a betegek túlélési esélyeinek javulása, az értékes intenzív terápiás erőforrások csökkentése és az egészségügyi költségek csökkenése.