ICAHN medicinos mokyklos Sinajaus kalno tyrėjai sukūrė mašinų mokymosi įrankį, kuris gali padėti gydytojams valdyti cukraus kiekį kraujyje pacientams, atsigavusiems po širdies operacijų – kritiškos, bet dažnai sunki užduotis intensyviosios terapijos skyriuje (ICU). Išvados rodomos NPJ skaitmeninė medicina.
Po širdies operacijos pacientams gresia didelis ir mažas cukraus kiekis kraujyje, o tai gali sukelti rimtų komplikacijų. Šių svyravimų valdymui reikalingas kruopštus insulino dozavimas, tačiau esami protokolai dažnai trūksta dėl nenuspėjamo ICU priežiūros pobūdžio ir skirtumų tarp pacientų, sako tyrėjai.
Siekdama išspręsti šį iššūkį, tyrimų komanda sukūrė sustiprinimo mokymosi modelį, pavadintą gliukoze, kuris rekomenduoja insulino dozes, pritaikytas kiekvieno paciento poreikiams. Atliekant testus, naudojant duomenis iš realaus pasaulio ICU atvejų, gliukozės suderinta ar net aplenkę patyrusiems gydytojams, laikant cukraus kiekį kraujyje, saugiame diapazone, nepaisant to, kad turite prieigą prie dabartinių pacientų duomenų, o gydytojai naudojo pilną pacientų istoriją.
„Mūsų tyrimas rodo, kad dirbtinį intelektą galima apgalvotai ir atsakingai parengti palaikant, o ne pakeisti, klinikinį sveikatos priežiūros specialistų sprendimą“,-sako genioro korespondentas Ankit Sakhuja, MBBS, MS, MS, Medicinos mokykla (Duomenų pagrįsta ir skaitmeninė medicina) ir Kritinės medicinos medicinos instituto MS, Medicinos mokykloje Sinaju.
„Sudėtingoje ir aukšto slėgio aplinkoje, tokioje kaip ICU, tokios priemonės kaip gliukozė gali suteikti realiojo laiko duomenims pagrįstų patarimų, pritaikytų atskiriems pacientams. Tokios rūšies sprendimų palaikymas gali padidinti saugumą, sumažinti komplikacijų riziką ir galiausiai leisti gydytojams daugiau dėmesio skirti kritiniams pacientų priežiūros aspektams.”
Tyrimo komanda mokė gliukozės, naudodama armatūros mokymąsi, o tai leido sistemai priimti optimalius sprendimus per bandymus ir klaidas. Jie taip pat naudojo pažangius metodus – konservatorių ir paskirstymo stiprinimo mokymąsi -, kad būtų užtikrintas atsargių, patikimų rekomendacijų modelis. Tada modelis buvo griežtai įvertintas ir lyginamas su realaus pasaulio klinikine praktika.
Nors rezultatai yra perspektyvūs, tyrėjai atsargiai, kad gliukozė nėra skirta pakeisti gydytojus. Tai naudojama kaip klinikinių sprendimų palaikymo priemonė, siūlanti pasiūlymus, kuriuos gydytojai gali pasirinkti laikytis pagal jų sprendimą ir platesnį klinikinį vaizdą.
Modelis gali būti integruotas į elektronines sveikatos įrašų sistemas, kad ICU būtų pateiktas realaus laiko insulino dozavimo gaires, padedantis sumažinti komplikacijas ir pagerinti rezultatus. Ateities žingsniai apima įrankio pritaikymą kitose ligoninėse, klinikinių tyrimų vykdymą ir būdų, kaip jį integruoti į įprastinę priežiūrą.
Vienas iš dabartinių apribojimų yra tas, kad modelis dar neperžengia mitybos duomenų, o tai gali turėti įtakos ilgalaikei gliukozės kontrolei. Vis dėlto gliukozės gebėjimas pateikti tikslias rekomendacijas, pagrįstas ribotais realiojo laiko duomenimis, pabrėžia jo galimybes padidinti saugumą ir pooperacinės priežiūros efektyvumą.
„Our goal is to develop AI systems that meaningfully augment the capabilities of health care providers and ultimately improve patient outcomes,” says co-senior corresponding author Girish N. Nadkarni, MD, MPH, Chair of the Windreich Department of Artificial Intelligence and Human Health, Director of the Hasso Plattner Institute for Digital Health, and Irene and Dr. Arthur M. Fishberg Professor of Medicine at the Icahn School of Medicine at Mount Sinajus ir Sinajaus kalno sveikatos sistemos vyriausiasis AI karininkas.
„Mokydamiesi iš realaus pasaulio klinikinių duomenų ir pateikiant suasmenintas rekomendacijas realiu laiku, tokie modeliai kaip gliukozė yra svarbus pažanga integruoti patikimas duomenis pagrįstas priemones į klinikinę darbo eigą. Šis tyrimas suteikia žvilgsnį į tai, kaip AI gali būti apgalvotai įterpta į priežiūrą, kad palaikytų teikėjus, teikiant saugų, tikslesnį gydymą.”