Uczenie maszynowe przewidywanie parametrów wyników wczesnego ostrzegania na oddziałach intensywnej terapii (AIM-PEW-ICU)

W przypadku pacjentów monitorowanych na oddziale intensywnej terapii rejestrowanych jest w czasie rzeczywistym wiele różnych funkcji narządów. Z jednej strony zebrane wartości pomiarowe służą do ciągłego monitorowania parametrów życiowych, m.in. ciśnienie krwi, tętno i częstość oddechów, ale są również oceniane kilka razy dziennie w połączeniu z innymi danymi w ramach obchodów oddziału. W obu przypadkach, ciągłego monitorowania ograniczonej liczby parametrów, ale także odrębnej oceny z bardziej rozbudowanym zestawem analizowanych parametrów, istnieją ograniczenia w ocenie, nawet przy całej dostępnej staranności i wiedzy specjalistycznej: W analizie ciągłej interpretacja jest ograniczona przez ograniczoną liczbę stale rejestrowanych parametrów opisanych powyżej. Chociaż możliwa jest duża liczba takich pomiarów i przynajmniej teoretycznie można by zmierzyć większą liczbę parametrów, istnieją ograniczenia specyficzne dla pacjenta, takie jak współpraca pacjenta, ograniczenia medyczne, takie jak znaczenie mierzonych wartości w określonych sytuacjach, ale także ograniczenia ekonomiczne są często decydujące w tym kontekście. Chociaż na podstawie ciągłej, a zatem pełnej reprezentacji aspektów fizjologii człowieka, można wyciągnąć dokładne wnioski, ograniczenie dostępnych parametrów zmniejsza interpretację syntezy różnych stanów. W szerszej, bardziej kompleksowej ocenie podczas wizyt w określonych momentach istnieją natomiast ograniczenia wynikające m.in. z punktowej rejestracji poszczególnych zmierzonych wartości oraz z góry określonych godzin wizyt. Nawet jeśli wartości graniczne są (lub mogą być) określone dla danych pomiarowych i w konsekwencji np. etap terapii zostanie zainicjowany w przypadku przekroczenia lub nieosiągnięcia tych wartości, ostrzeżenie to może zostać zainicjowane retrospektywnie tylko w przypadku przekroczenia tych wartości, a skutek może zostać zainicjowany tylko z mocą wsteczną. W tej sytuacji zmiana patofizjologiczna jest już na tyle zaawansowana, że ​​w wielu przypadkach mechanizm kompensacyjny przestaje działać prawidłowo i przechodzi w sytuację dekompensacyjną. W tej sytuacji pacjenci przebywający na oddziale intensywnej terapii znajdują się w wielu przypadkach w śmiertelnym niebezpieczeństwie. Obie sytuacje, ciągła rejestracja ograniczonej liczby parametrów i ocena obszernych danych w formie migawki, można zoptymalizować pomimo wspomnianych ograniczeń. Bez zmiany sposobu gromadzenia danych (czasu, zakresu itp.) pozostają możliwości optymalizacji ich interpretacji i konsekwencji, jakie można z niej wyciągnąć. Interpretacja danych jest ustalana przede wszystkim przez interpretatorów jako metoda interpretacji. Obecne podejścia starają się wykorzystywać metody uczenia maszynowego (ML) do przewidywania indywidualnych sytuacji, które rozpoznają niekorzystne zdarzenia w danych danych i jednocześnie pozwalają na wyzwalanie alarmów z wyprzedzeniem, tj. zanim wystąpi sytuacja zagrażająca życiu. Co więcej, istnieją już badania dotyczące zmiany wyników wczesnego ostrzegania w szeregach czasowych, które jednak mają ograniczoną wartość informacyjną w przypadku dłuższych okresów predykcji.