החל מהאזהרות המוקדמות ועד מאווררים חכמים יותר, בינה מלאכותית מסייעת לקלינאים להתעלות על ARDS, ומציעה תקווה לחיים נוספים שנשמרו באמצעות טיפול בהתאמה אישית ומונע נתונים.
סקירה: בינה מלאכותית ולמידת מכונות בניהול תסמונת מצוקה נשימה חריפה: התקדמות אחרונה. קרדיט תמונה: Design_Cells / Shutterstock
בסקירה שפורסמה לאחרונה בכתב העת גבולות ברפואהקבוצה של מחברים סינתזה עדויות אחרונות על האופן בו בינה מלאכותית (AI) ולמידה מכונה (ML) משפרות את החיזוי, הריבוד והטיפול בתסמונת מצוקה נשימתית חריפה (ARDS) ברחבי מסע המטופל.
רֶקַע
בכל יום נכנסים יותר מאלף אנשים ברחבי העולם ליחידה לטיפול נמרץ (ICU) עם ARDS, ו- 35-45% מהסובלים ממחלה קשה עדיין מתים למרות אוורור מבוסס הנחיות ומיקום מועד. טיפול קונבנציונאלי עובד, ובכל זאת הוא נשאר תומך באופן בסיסי ואיננו יכול להתגבר על ההטרוגניות הביולוגית והקלינית של התסמונת. בינתיים, הפליטה הדיגיטלית של טיפול נמרץ מודרני, סימנים חיוניים מתמשכים, רשומות בריאות אלקטרוניות (EHRS), הדמיה וצורות גל מאוורר גדלה את היכולות של קוגניציה אנושית בלתי עוזרת. AI ו- ML נבדקים יותר ויותר ככלי שמבטיחים להפוך את המורכבות הזו לתובנה ניתנת לפעולה. עם זאת, כפי שהסקירה מציינת, אימות חיצוני, הכללות והוכחת תועלת בעולם האמיתי נותרים צרכי מחקר מכריעים. יש צורך במחקר נוסף כדי לקבוע אם אלגוריתמים אלה משפרים למעשה את ההישרדות, הנכות והעלות.
אזהרה מוקדמת: חיזוי צרות לפני שזה מתחיל
אלגוריתמים של ML כבר מסמנים חולים שעשויים לפתח שעות ARDS ולעיתים ימים לפני מתקיימים קריטריונים קליניים. רשתות עצביות מפותלות (CNNs) שהוכשרו על רדיוגרפים של חזה וצורות גל מאוורר, כמו גם מודלים להגברת שיפוע שהוזנו נתוני EHR גולמיים, הוכחו כמשיגים שטח תחת ערכי עקומה (AUC) עד 0.95 למשימות גילוי או חיזוי בהגדרות ספציפיות. עם זאת, הביצועים משתנים בין קבוצות וסוגי מודלים. מעבר זה מאבחון תגובתי לסינון יזום מאפשר לצוותים לגייס אוורור מגן ריאות, דיילות נוזלים או העברה למרכזי חריפות גבוהה קודם לכן, יתרון מעשי במהלך מחלת Coronavirus 2019 (COVID-19) זוהר כאשר מיטות ICU נדירות. הסקירה מדגישה כי המשלבים סוגי נתונים מרובים, קליניים, הדמיה, צורת גל ואפילו טקסט לא מובנה, מניב בדרך כלל תחזיות מדויקות יותר. ובכל זאת, דיוק העולם האמיתי נותר תלוי באיכות הנתונים ובאימות החיצוני.
פרוגנוזה חדה יותר: פרופילי סיכון דינאמיים
לאחר הקמת ARDS, בידיעה מי עשוי להיפטר מהקצאת המשאבים והייעוץ המשפחתי. רשתות זיכרון ארוכות לטווח הקצר (LSTM) אשר בוטלות סדרות זמן ויטאליות ומגמות מעבדה עולות על ביצועים טובים יותר מהערכת אי ספיקת איברים רציפה (SOFA) וכלי ציון פיזיולוגיה חריפה מפושטת (SAPS II); מטה-אנליזה מציגה מדד קונקורדנציה של 0.84 לעומת 0.64–0.70 עבור ציונים מסורתיים. על ידי עדכון רציף של סיכון, מודלים אלה מאפשרים לקלינאים להחליט מתי להסלים לחמצון קרום חוץ -גופני (ECMO) או מסלולי פליאטיבי, במקום להסתמך על תצלומי "ערך גרוע ביותר בתמונות של 24 שעות". עם זאת, הסקירה מזהירה כי מרבית המודלים הנוכחיים מתמקדים בסיכון לתמותה, ותחזית תוצאה רחבה יותר (למשל, מוגבלות, איכות חיים) נותרה ללא הפרעה.
פנוטיפים ואנדוטיפים
ניתוח כיתה סמוי (LCA) המיושם על נתוני ניסוי רב-מרכזי חשף שני פנוטיפים דלקתיים שניתן לשחזר: היפר-דלקתי, המאופיין על ידי זחלים בין בין 6-50% תמותה, והיפו-דלקתית, הקשורים לאי ספיקת איברים פחות ושיעור תמותה בערך 20%. תגובות הטיפול נפרדות; לחץ חיובי-קצה חיובי גבוה (PEEP) פוגע בקבוצה ההיפר-דלקתית, ובכל זאת עשוי לסייע לקבוצה ההיפו-דלקתית. דגמי הגברת שיפוע מפוקחים מקצים כעת את הפנוטיפים הללו ליד המיטה בעזרת מעבדות ושיטות שגרתיות ברמת דיוק של 0.94–0.95, מה שסלל את הדרך לניסויים ספציפיים לפנוטיפ של סטרואידים, אסטרטגיות נוזלים או ביולוגיות מתעוררות. הסקירה מתארת גם תת-סוגים נוספים של ARDS, כמו אלה המבוססים על מכניקת נשימה, רדיולוגיה או נתוני רב-מדיקה. היא מדגישה כי הקלדת תת מיטה בזמן אמת היא מטרה קריטית לרפואה דיוקתית עתידית.
תמיכה נשימה חכמה יותר
AI מעדף גם את החלטות האוורור היומיומיות. רשת עצבית מרובת משימות מדמה כיצד חמצן ותאימות ישתנו 45 דקות לאחר התאמת PEEP, מה שמאפשר "כונני מבחן" וירטואליים במקום טיטרציה של ניסוי וטעייה. כוח מכני (MP) הוא האנרגיה המועברת לריאה בכל דקה ועולה על 12 ג'ול לדקה בקרב חולים בסיכון הגבוה ביותר לפגיעה הנגרמת על ידי הנשמה. דגמי XGBOOST מתאמנים על ספי פרלמנט ומנבאים תמותת טיפול נמרץ עם AUC של 0.88. עבור אסינכרוניה של מטופל-וונדרטור (PVA), גלאי למידה עמוקה מנפים במיליוני נשימות ומשיגים דיוק של יותר מ- 90%, מבטיחים אזעקות בזמן אמת או אפילו מאווררים לולאה סגורה שתקנו את עצמם לרכיבה על אופניים מזיקים. עם זאת, הסקירה מציינת כי מרבית מודלים לגילוי PVA נשארים במצב לא מקוון, ומערכות ניתנות לפעולה בזמן אמת עדיין נמצאות בפיתוח.
החלטות בהימור גבוה: ECMO ושחרור
ECMO יכול להציל את חילופי הגז אך צורך משאבים משמעותיים מבחינת איוש ואספקה. התחזית ההיררכית, ניטור מוקדם ושילוב פרואקטיבי לחמצן ממברנה חוץ-גופית (Preempt ECMO) רשת עמוקה משלבת דמוגרפיה, תוצאות מעבדה, וסימנים חיוניים דקה אחר דקה כדי לחזות ECMO זקוקים עד 96 שעות מראש (AUC = 0.89 AT 48 שעות), תזמון המשאבים המעורבים. בקצה השני של המסע נחקרים מערכות מבוססות AI כדי לחזות מתי גמילה של הנשמה תצליח, קיצור אוורור מכני והשהות בבית חולים במחקרים הוכחת מושג. עם זאת, הסקירה מדגישה כי מרבית המחקרים על AI בגמילה ושחיקה נערכים בדרך כלל באוכלוסיות טיפול נמרץ, ולא קבוצות ספציפיות ל- ARDS, וראיות ישירה ב- ARDS נותרות נדירות. שילוב של שני הכלים יכול יום אחד ליצור פלטפורמת החלטות שלמה של מחזור חיים, אך זו נותרה מטרה שאפתנית.
אלגוריתמים מהדור הבא ומחסומי העולם האמיתי
גרף רשתות עצביות (GNNS) קשרי מודל בין חולים, טיפולים ומשתנים פיזיולוגיים, ועלולים לחשוף אשכולות סיכון נסתרים. פדרציה למידה (FL) רכבות מודלים משותפים בין בתי חולים מבלי להזיז נתוני בריאות מוגנים, ולשפר את ההכללה. למידה מפוקחת עצמית (SSL) ממנפת מיליארדי צורות גל ללא תווית לייצוגים חזקים מראש. דגמי שפה גדולים (LLMs) וריאנטים מולטי-מודאליים מתעוררים פועלים כתזמורת, קוראים לדגמי תמונה או צורת גל מיוחדים ומייצרים תוכניות קריאות אנושיות. הסקירה מדגישה בנוסף את ההסקה הסיבתית ולמידה של חיזוק (RL) כגישות מבטיחות להדמיה של תרחישים "מה-אם" ולפיתוח סוכני AI המקבלים החלטות רצופות בסביבות ICU דינאמיות. טכניקות אלה מבטיחות תובנות עשירות יותר אך עדיין מתמודדות עם מכשולים הקשורים לאיכות נתונים, פרשנות ושילוב זרימת עבודה שיש לטפל בהם לפני אימוץ קליני שגרתי.
בתחום גילוי התרופות, הסקירה מציינת כי בעוד AI אפשרה זיהוי יעד ומורכב במחלות ריאה קשורות (כגון פיברוזיס ריאות אידיופטית), יישום ה- AI הגנוצרי לטיפולים ספציפיים ל- ARDS נותר ברובו ברובו.
מסקנות
לסיכום, עדויות עדכניות מראות כי AI ו- ML יכולים לאתר ARDS מוקדם יותר, לרכוב את הסיכון באופן מדויק יותר, להתאים או למכניקה של מכניקת ריאות בודדת ולהנחות טיפולים יקרים כמו ECMO. אלגוריתמים מודעים לפנוטיפ כבר מסמלים חולים המנהלים או סובלים ממנו, ואילו רשתות עצביות צופות פציעה הקשורה ל- MP ו- PVA בזמן אמת. הדור הבא של GNNS, FL, RL, סיבוביות ו- LLMs עשויים לארוג נתונים שונים להמלצות מיטה מגובשות. ניסויים פרוספקטיביים קפדניים, דיווח שקוף וממשקים ידידותיים לקלינאי נותרו חיוניים כדי לתרגם את ההתקדמות הדיגיטלית הללו לחיים שנצלו ומנעו מוגבלות.
