לכלי בינה מלאכותית שהוצע לתמיכה בקבלת החלטות של קלינאי לגבי חולי בית חולים בסיכון לאלח דם יש תכונה יוצאת דופן: מסביר את חוסר הוודאות שלו ומציע אילו נתונים דמוגרפיים, סימנים חיוניים ותוצאות בדיקות מעבדה הוא צריך כדי לשפר את הביצועים החזויים שלו.
המערכת, הנקראת SepsisLab, פותחה על סמך משוב של רופאים ואחיות המטפלים בחולים במחלקות המיון ובמחלקות נמרץ, בהן אלח דם, התגובה המכריעה של הגוף לזיהום, נראית לרוב. הם דיווחו על חוסר שביעות רצון מכלי קיים בסיוע בינה מלאכותית שיוצר ציון חיזוי סיכון למטופל תוך שימוש ברשומות בריאות אלקטרוניות בלבד, אך ללא נתוני קלט מרופאים.
מדענים מאוניברסיטת אוהיו סטייט תכננו את SepsisLab כדי להיות מסוגל לחזות את הסיכון של אלח דם של חולה בתוך ארבע שעות – אבל בזמן שהשעון מתקתק, המערכת מזהה מידע חסר על המטופל, מכמתת עד כמה הוא חיוני ונותנת תמונה ויזואלית לרופאים לגבי מידת הספציפיות מידע ישפיע על חיזוי הסיכון הסופי. ניסויים באמצעות שילוב של נתוני חולים זמינים לציבור ונתוני קנייניים הראו שהוספת 8% מהנתונים המומלצים שיפרה את דיוק חיזוי אלח הדם של המערכת ב-11%.
"המודל הקיים מייצג יותר פרדיגמת תחרות אנושית-AI מסורתית, ומייצר אזעקות שווא מעצבנות רבות ביחידות נמרץ ובחדרי מיון מבלי להקשיב לרופאים", אמר מחבר המחקר הבכיר פינג ג'אנג, פרופסור חבר למדעי המחשב והנדסה וביו-רפואית באוהיו. מְדִינָה.
"הרעיון הוא שאנחנו צריכים לערב בינה מלאכותית בכל שלב ביניים של קבלת החלטות על ידי אימוץ תפיסת ה-'AI-in-the-human-loop'. אנחנו לא רק מפתחים כלי – גייסנו גם רופאים לפרויקט. זהו שיתוף פעולה אמיתי בין מדעני מחשבים וקלינאים לפיתוח מערכת ממוקדת באדם שמעמידה את הרופא במושב הנהג".
המחקר פורסם ב-24 באוגוסט ב KDD '24: הליכים של כנס ACM SIGKDD ה-30 בנושא גילוי ידע וכריית נתונים ויוצג בעל פה ביום רביעי (28 באוגוסט) ב- SIGKDD 2024 בברצלונה, ספרד.
אלח דם הוא מצב חירום רפואי מסכן חיים – זה יכול להוביל במהירות לאי ספיקת איברים – אבל זה לא קל לאבחן כי הסימפטומים של חום, לחץ דם נמוך, עלייה בקצב הלב ובעיות נשימה יכולים להיראות כמו הרבה מצבים אחרים. עבודה זו מתבססת על מודל למידת מכונה קודם שפותחה על ידי ג'אנג ועמיתיו שהעריכו את הזמן האופטימלי לתת אנטיביוטיקה לחולים עם חשד למקרה של אלח דם.
SepsisLab נועד להגיע עם חיזוי סיכון במהירות, אך מייצר חיזוי חדש בכל שעה לאחר הוספת נתוני מטופלים חדשים למערכת.
"כשמטופל נכנס לראשונה, חסרים ערכים רבים, במיוחד עבור בדיקות מעבדה", אמר המחבר הראשון Changchang Yin, דוקטורנט למדעי המחשב והנדסה במעבדת הבינה המלאכותית ברפואה של ג'אנג.
ברוב המודלים של AI, נקודות נתונים חסרות מטופלות עם ערך מוקצה יחיד – תהליך הנקרא זקיפה – "אבל מודל הזקיפה עלול לסבול מאי ודאות שניתן להפיץ למודל החיזוי במורד הזרם", אמר יין.
"אם מודל הזקיפה אינו יכול לזקוף במדויק את הערך החסר וזה ערך חשוב מאוד, יש לצפות במשתנה. אלגוריתם החישה האקטיבי שלנו נועד למצוא ערכים חסרים כאלה ולספר לרופאים אילו משתנים נוספים הם עשויים להצטרך לצפות – משתנים שיכולים ליצור מודל החיזוי מדויק יותר".
לא פחות חשוב להסרת אי הוודאות מהמערכת לאורך זמן הוא לספק לרופאים המלצות בר-פעולה. אלה כוללים בדיקות מעבדה מסודרות לפי הערך שלהן לתהליך האבחון והערכות כיצד ישתנה הסיכון לאלח דם של מטופל בהתאם לטיפולים קליניים ספציפיים.
ניסויים הראו שהוספה של 8% מהנתונים החדשים מבדיקות מעבדה, סימנים חיוניים ומשתנים בעלי ערך גבוה הפחיתה את אי הוודאות המופצת במודל ב-70% – תרומה לשיפור של 11% ברמת הדיוק בסיכון אלח דם.
"האלגוריתם יכול לבחור את המשתנים החשובים ביותר, והפעולה של הרופא מפחיתה את אי הוודאות", אמר ג'אנג, גם חבר סגל הליבה במכון הניתוח לנתונים תרגום של מדינת אוהיו. "עבודת המתמטיקה הבסיסית הזו היא החידוש הטכני החשוב ביותר – עמוד השדרה של המחקר."
ג'אנג רואה בבינה מלאכותית ממוקדת באדם חלק מעתיד הרפואה – אבל רק אם בינה מלאכותית מקיימת אינטראקציה עם קלינאים באופן שגורם להם לסמוך על המערכת.
"זה לא קשור לבניית מערכת AI שיכולה לכבוש את העולם", אמר. "מרכז הרפואה הוא בדיקת השערות וקבלת החלטות דקה אחר דקה שאינן רק 'כן' או 'לא'. אנו מדמיינים אדם במרכז האינטראקציה באמצעות AI כדי לעזור לאותו אדם להרגיש על אנושי".
מחקר זה נתמך על ידי הקרן הלאומית למדע, המכונים הלאומיים לבריאות ומענק מאיץ למצוינות המחקר של מדינת אוהיו. ג'אנג קיבל מימון נוסף של NIH כדי להמשיך לשתף פעולה עם רופאים בעבודה זו.
מחברים שותפים נוספים כוללים את ג'פרי קטרינו מהמרכז הרפואי וקסנר של אוניברסיטת אוהיו סטייט, Bingsheng Yao ו-Dakuo Wang מאוניברסיטת Northeastern, ופין-יו צ'ן ממחקר IBM.
