Maskinlæringsprediksjon av parametere for tidlig varslingspoeng i intensivavdelinger (AIM-PEW-ICU)

Et stort antall forskjellige organfunksjoner registreres i sanntid for pasienter som overvåkes på en intensivavdeling. På den ene siden brukes de innsamlede måleverdiene til kontinuerlig overvåking av vitale parametere, f.eks. blodtrykk, hjertefrekvens og respirasjonsfrekvens, men vurderes også flere ganger daglig sammen med andre data som en del av avdelingsrunder. I begge tilfeller, kontinuerlig overvåking fra et begrenset antall parametere, men også i den distinkte evalueringen med et mer omfattende sett med analyserbare parametere, er det begrensninger i evaluerbarheten selv med all den omsorg og ekspertise som er tilgjengelig: I kontinuerlig analyse er tolkning begrenset ved det begrensede antallet kontinuerlig registrerte parametere beskrevet ovenfor. Selv om et stort antall slike målinger er mulig, og i det minste teoretisk sett et større antall parametere kan måles, pasientspesifikke grenser som pasientsamarbeid, medisinske grenser som betydningen av de målte verdiene i spesifikke situasjoner, men også økonomiske grenser er ofte avgjørende i denne sammenhengen. Selv om nøyaktige konklusjoner kan trekkes fra den kontinuerlige og derfor fullstendige representasjonen av aspekter av menneskelig fysiologi, reduserer begrensningen av de tilgjengelige parameterne tolkbarheten av syntesen av forskjellige statuser. I de bredere, mer omfattende vurderingene ved besøk på bestemte tidspunkt, er det derimot begrensninger blant annet på grunn av punktregistreringer av individuelle måleverdier og de forhåndsdefinerte besøkstidene. Selv om grenseverdier er (eller kan defineres) for de målte dataene, og en konsekvens, f.eks. et terapitrinn, initieres hvis disse verdiene overskrides eller ikke nås, kan dette varselet bare initieres retrospektivt hvis disse verdiene overskrides, og en konsekvens kan bare initieres retrospektivt. I denne situasjonen er en patofysiologisk endring allerede så langt fremmet at en kompensasjonsmekanisme i mange tilfeller ikke lenger fungerer tilstrekkelig og går over i en dekompensasjonssituasjon. I denne situasjonen er pasientene som rammes på en intensivavdeling i mange tilfeller i livsfare. Begge situasjoner, kontinuerlig registrering av et begrenset antall parametere og evaluering av omfattende data i form av et øyeblikksbilde kunne optimaliseres til tross for de nevnte begrensningene. Uten å endre innsamlingen av data (tid, omfang osv.), gjenstår mulighetene for å optimalisere tolkningen deres og konsekvensene som kan utledes av tolkningen. Tolkningen av dataene bestemmes først og fremst av tolkene som tolkningsmetode. Nåværende tilnærminger forsøker å bruke maskinlæringsmetoder (ML) for å forutsi individuelle situasjoner som gjenkjenner uønskede hendelser i de gitte dataene og samtidig lar alarmer utløses forebyggende, dvs. før en livstruende situasjon oppstår. Videre er det allerede studier om endring av tidlige varslingsskårer i tidsserier, som imidlertid er begrenset i sin informative verdi for lengre prediksjonsperioder.