אלח דם הוא אחד התנאים הקטלניים ביותר ביחידות טיפול נמרץ (ICU), המופעלות על ידי התגובה מחוץ לשליטה של הגוף לזיהום. למרות ההתקדמות הרפואית, שיעור התמותה בבית החולים עדיין מרחף בין 20% ל 50%. האתגר טמון בזיהוי מוקדם-SEPSIS הוא דינאמי ביותר, ומערכות הניקוד הנוכחיות כמו Apache-II ו- SOFA אינן מתוכננות באופן ספציפי לעקוב אחר התקדמותה המהירה. אמנם למידת מכונות הראתה הבטחה, אך מרבית המודלים נאבקים להסביר תנודות בזמן אמת בנתוני המטופלים. בהתחשב באתגרים אלה, מערכת חיזוי מתקדמת המסוגלת ללמוד ברציפות מנתונים קליניים נכנסים נדרשת בדחיפות כדי לשפר את הגילוי המוקדם ואת תוצאות המטופלים.
ב- 8 בפברואר 2025, חוקרים מאוניברסיטת סצ'ואן, אוניברסיטת קורוניה, ומשתפי הפעולה שלהם פרסמו את הממצאים שלהם (DOI: 10.1093/PCMEDI/PBAF003) ב- רפואה קלינית מדויקתהצגת מודל מבוסס שנאי דו-שלבי שנועד לחזות תמותת אלח דם של נמרוץ. המאומן על נתונים ממאגר המחקר השיתופי של EICU, הכולל למעלה מ -200,000 חולים, המודל מעבד באופן דינמי אינדיקטורים לבריאות שעה וגם יומיומיים. ביום החמישי של קבלת טיפול נמרץ, היא השיגה AUC מרשים של 0.92, והעלה על ביצועים משמעותיים מערכות ניקוד מסורתיות כמו Apache-II.
מודל זה המונע על ידי AI מסמן קפיצה משמעותית בחיזוי אלח דם. זה פועל בשני שלבים: השלב הראשון מנתח נתונים לפי שעה, ומזהה תנודות תוך-יומיות קריטיות בסימנים חיוניים ותוצאות מעבדה, ואילו השלב השני משלב נתונים יומיים לתפוס מגמות לטווח הארוך יותר. גישה שכבתית זו מאפשרת למודל להסתגל לאופי המשתנה במהירות של אלח דם.
מנבאים עיקריים לתמותה – כמו רמות לקטט, שיעורי נשימה וסמני קרישה – זוהו עם דיוק גבוה. פריצת דרך משמעותית נעוצה ביכולתו של המודל לייצר התראות סיכון בזמן אמת, ומציידת צוותי טיפול נמרץ עם תובנות ניתנות לפעולה כאשר הן נחוצות ביותר. הכללת הדמיות של SHAP (הסברים תוספים של Shapley) מבטיחה פרשנות, ומאפשרת לקלינאים להבין אילו גורמים מניעים תחזיות. בנוסף, המודל הדגים איתנות יוצאת דופן כאשר הוא מאושר במערכי נתונים חיצוניים, כולל קבוצות חולים מסין ומסד הנתונים של Mimic-IV.
ד"ר ביירונג שן, אחד המחברים המתאימים למחקר. "על ידי שילוב נתוני זמן אמת, סדרת זמן, אנו יכולים כעת לספק לקלינאים הערכות סיכון מדויקות ומתוזמנות יותר, בסופו של דבר לשפר את תוצאות המטופלים ולהפחתת שיעורי התמותה."
ההשפעה של מחקר זה עשויה להיות טרנספורמטיבית לניהול טיפול נמרץ. על ידי הטמעת מודל ה- AI במערכות מידע בבית חולים, הקלינאים יכולים לקבל התראות על סיכון יומיומי, מה שמאפשר התערבויות מוקדמות יותר וממוקדות יותר. יכולת ההסתגלות שלה בקרב אוכלוסיות חולים שונות וחוסן לנתונים חסרים הופכים אותם לנכס חשוב במסגרות בריאות מגוונות ברחבי העולם. התפתחויות עתידיות יכולות לראות את המודל משולב במערכות ניטור בזמן אמת, לעדכן ברציפות ציוני סיכון ומזעור עוד יותר עיכובים באבחון.
מעבר ליישומים קליניים מיידיים, הפרשנות של המודל באמצעות ניתוח SHAP מציעה תובנות עמוקות יותר לגבי התקדמות אלח דם, ועלולה להנחות פיתוח טיפולים מדויקים. חידוש זה לא רק משפר את הטיפול בחולים אלא גם קובע אמת מידה חדשה למודלים חזויים מונעים AI ברפואת טיפול קריטית.
ביכולתו לרתום כמויות אדירות של נתונים בזמן אמת ולתרגם אותם לתובנות מצילות חיים, כלי זה המונע על ידי AI יכול להגדיר מחדש את סטנדרט הטיפול בחולי אלח דם-הפתחת אזהרות מוקדמות להתערבויות בזמן ולשפר את שיעורי ההישרדות בקנה מידה גלובלי.
