Maskininlärning Förutsägelse av parametrar för tidiga varningsresultat på intensivvårdsavdelningar (AIM-PEW-ICU)

Ett stort antal olika organfunktioner registreras i realtid för patienter som övervakas på en intensivvårdsavdelning. Dels används de insamlade mätvärdena för kontinuerlig övervakning av vitala parametrar, t.ex. blodtryck, hjärtfrekvens och andningsfrekvens, men utvärderas också flera gånger om dagen i samband med annan data som en del av avdelningsrundor. I båda fallen, kontinuerlig övervakning från ett begränsat antal parametrar, men också i den distinkta utvärderingen med en mer omfattande uppsättning av analyserbara parametrar, finns det begränsningar i utvärderingsbarheten även med all den omsorg och expertis som finns tillgänglig: I kontinuerlig analys är tolkningen begränsad genom det begränsade antalet kontinuerligt registrerade parametrar som beskrivs ovan. Även om ett stort antal sådana mätningar är möjliga, och åtminstone teoretiskt sett ett större antal parametrar skulle kunna mätas, patientspecifika gränser såsom patientsamverkan, medicinska gränser såsom betydelsen av de uppmätta värdena i specifika situationer, men också ekonomiska gränser är ofta avgörande i detta sammanhang. Även om exakta slutsatser kan dras från den kontinuerliga och därför fullständiga representationen av aspekter av mänsklig fysiologi, minskar begränsningen av tillgängliga parametrar tolkningsbarheten av syntesen av olika statusar. I de bredare mer omfattande bedömningarna vid besök vid specifika tidpunkter finns däremot begränsningar på grund av bland annat punktregistreringar av enskilda mätvärden och de fördefinierade besökstiderna. Även om gränsvärden är (eller kan definieras) för de uppmätta data, och en konsekvens, t.ex. ett terapisteg, initieras om dessa värden överskrids eller inte uppnås, kan denna varning endast initieras retrospektivt om dessa värden överskrids och en konsekvens kan endast initieras retrospektivt. I denna situation är en patofysiologisk förändring redan så långt framskriden att en kompensationsmekanism i många fall inte längre fungerar adekvat och övergår i en dekompensationssituation. I denna situation är de drabbade patienterna på en intensivvårdsavdelning i många fall i livsfara. Båda situationerna, kontinuerlig registrering av ett begränsat antal parametrar och utvärdering av omfattande data i form av en ögonblicksbild kunde optimeras trots nämnda begränsningar. Utan att insamlingen av data (tid, omfattning etc.) ändras kvarstår möjligheterna att optimera deras tolkning och de konsekvenser som kan härledas av tolkningen. Tolkningen av uppgifterna bestäms i första hand av tolkarna som tolkningsmetod. Nuvarande tillvägagångssätt försöker använda metoder för maskininlärning (ML) för att förutsäga individuella situationer som känner igen negativa händelser i givna data och samtidigt tillåter larm att utlösas förebyggande, det vill säga innan en livshotande situation inträffar. Dessutom finns det redan studier om förändringen av poäng för tidiga varningar i tidsserier, som dock är begränsade i sitt informativa värde för längre prognosperioder.