Dirbtinio intelekto varomas įrankis padeda gydytojams aptikti retas ligas

Dirbtinio intelekto varomas įrankis padeda gydytojams aptikti retas ligas

Ligos, sindromai

Pirmaisiais metais UCLA Davido Geffeno medicinos mokykloje Katharina „Kat“ Schmolly, MD, išgirdo seną posakį: „Kai girdi kanopų plakimą, galvok apie arklius, o ne apie zebrus“.

Medicinos maksima yra įspėjimas, kad gydytojai pirmenybę teikia galimoms priežastims, o ne neįprastoms diagnozėms. Dr. Schmolly, arklininkystės mokslų bakalauro studentas ir buvęs žirgų treneris, buvo laive.

Tačiau ji pradėjo svarstyti per hepatologijos paskaitą, kurią vedė medicinos mokslų daktaras Simonas W. Beavenas. Savo klinikoje Pfleger kepenų institute daktaras Beavenas gydo pacientus, sergančius ūmine hepatine porfirija (AHP), retų genetinių ligų šeima. Simptomai dažniausiai pasireiškia moterims, dažnai sutampantiems su menstruaciniu ciklu, sunkūs, kartais pavojingi gyvybei priepuoliai, apimantys pilvo skausmą, pykinimą ir vėmimą, galūnių silpnumą ir nerimą.

„Moterys, deja, atleidžiamos iš darbo, kai nuolat kreipiasi į skubios pagalbos skyrių dėl šių nusiskundimų“, – sakė daktaras Schmolly. „Kadangi atrodo, kad tai menstruacijų skausmas, bet iš tikrųjų tai gali būti tikra kepenų liga.”

Ji teigė, kad jos nesąžiningumas paskatino ją įkurti zebraMD, kuris naudoja dirbtinį intelektą, kad padėtų diagnozuoti ir valdyti retas ir genetines ligas.

Nuspėjamasis algoritmas perima elektroninius sveikatos įrašus, kad nustatytų ligų modelius ir pažymėtų pacientus, kuriems gali kilti pavojus, kad gydytojai galėtų toliau tirti ir diagnozuoti. Modelis apverčia medicininę mintį, kad pabrėžtų retus zebrus, o ne plačiai žinomus arklius.

„Šių ligų diagnostika vėluoja maždaug 10–15 metų, nes gydytojai su jomis susiduria ne taip dažnai“, – sakė daktaras Schmolly. „O kol laukiama diagnozės, liga gali progresuoti ir pridaryti negrįžtamos žalos.

„Taigi, mūsų tikslas yra anksčiau diagnozuoti pacientus ir tinkamai valdyti jų ligą.”

Ne taip jau retai

Pagal apibrėžimą reta liga serga mažiau nei 200 000 žmonių. Retos ligos apima daugiau nei 10 000 žinomų būklių ir bendrai paveikia daugiau nei 30 milijonų žmonių arba 1 iš 10 amerikiečių. Tai maždaug toks pat paplitimas kaip ir diabetas.

Keletas, įskaitant išsėtinę sklerozę, yra gerai žinomi. Tačiau dauguma, tokių kaip bartoneliozė, klevų sirupo šlapimo liga ir vizualinis sniego sindromas, nėra.

AHP serga 1 iš 100 000 žmonių. FDA patvirtino givosiraną 2019 m. kaip profilaktinį pasikartojančių priepuolių gydymą. Tačiau diagnozei nustatyti prireikia vidutiniškai 15 metų.

Siekdamas tai paspartinti, vaisto gamintojas „Alnylam Pharmaceuticals“ kreipėsi į UCSF porfirijos centro tyrėjus, kad sukurtų algoritmą galimiems pacientams nustatyti.

„Atsižvelgiant į tai, kad tai reta liga, mes iš anksto žinojome, kad bus sunku arba neįmanoma tai vykdyti kaip vieną centrą. Taigi pažvelgėme į savo bendraamžius UC sveikatos tinkle, o UCLA yra didžiausias iš centrų UC sveikatos srityje“, – sakė Vivekas Rudrapatna, MD, Ph.D., UCSF gastroenterologijos skyriaus docentas.

Kai daktaras Schmolly kreipėsi į gydytoją Beaven dėl jos susidomėjimo retomis ligomis, jis susiejo ją su daktaru Rudrapatna. Jis taip pat yra „The Real-World Evidence Lab“, kuri taiko duomenų mokslo metodus elektroniniams sveikatos įrašams, direktorius.

Kartu jie išrado projekto Zebra nuspėjamąjį algoritmą, skirtą analizuoti sveikatos priežiūros įrašus ir nustatyti įtariamus porfirija sergančius pacientus. Daktaras Rudrapatna studijavo kaip klinikinių duomenų mokslininkas UCSF gastroenterologijos stipendijos metu. Dr. Schmolly rėmėsi savo ikimedicininės mokyklos patirtimi, atlikdama tyrimus ir plėtrą įmonėje Medtronic, kur ji dirbo su implantuojamo širdies stebėjimo prietaiso diagnostikos algoritmu.

Duomenys buvo neidentifikuoti pacientų įrašai iš UCSF ir UCLA – maždaug 10 milijonų įrašų visoje UC pogrupyje. Pirmasis algoritmo iššūkis: netvarkingi duomenys.

Pacientų įrašus sudaro struktūrizuoti duomenys, įskaitant gyvybinius požymius, laboratorijos rezultatus ir demografinę informaciją, ir nestruktūrizuotus elementus, tokius kaip gydytojas, rašantis užrašus. Algoritmai kovoja su pastaruoju. Taigi, mokslininkai masažavo duomenis, panašiai kaip suskirstydami žodžių grupes į tvarkingą formatą.

„Jie daug ko neišmoks be alkūnių tepalo“, – sakė daktaras Rudrapatna. „Herculean iššūkis, kuris buvo 90% šio tyrimo pastangų, yra nuo nestruktūruotų klinikinių duomenų iki griežtai organizuotos, kuruojamos informacijos, kuri gali būti naudojama statistiniams ir mašininio mokymosi algoritmams mokyti.”

Kitas iššūkis yra užmaskuoti tam tikrus duomenų taškus, kurie leistų algoritmui „apgauti“ prognozuojant ligą. Iš esmės algoritmo apakinimas prieš klinikinį įtarimą dėl ligos.

„Kažkuriuo metu gydytojas nukreipia pacientą pas (porfirijos specialistą)“, – sakė dr. Rudrapatna. „Ir tada yra siuntimo įsakymas, kuris pasirodo kaip struktūriniai duomenys. Tada pacientas patenka į gydytoją. Tada jam atliekamas kraujo arba šlapimo tyrimas. Tada jiems patvirtinama porfirija. Algoritmas matys siuntimą ir prognozuos porfiriją. Jei tai jau įvyko, algoritmas niekada neišmoks identifikuoti šių pacientų anksčiau.

„Mes norime algoritmų, kurie iš tikrųjų galėtų atrasti šiuos pacientus anksčiau, nei gydytojai sąmoningai apie tai galvoja.”

Taigi, kokių įkalčių apie AHP ieško algoritmas?

Dr. Rudrapatna ir Schmolly pateikė savo modeliui tris išteklius. Pirmasis buvo ekspertų žinios iš Bruce'o Wango, MD, UCSF porfirijos centro direktoriaus, kuris pasidalino informacija apie simptomus ir simptomų žvaigždynus. Antra, buvo suteikta prieiga prie retų ir genetinių ligų duomenų bazės iš Nacionalinio sveikatos instituto, kurioje buvo nurodyti porfirija sergančių pacientų požymiai, simptomai ir pateikimo modeliai.

Trečia, leido algoritmui atsijoti duomenis ir atrasti signalus, leidžiant duomenims kalbėti už save. Tai ypač svarbu, sakė daktarė Rudrapatna, nes taip dažnai galima klaidingai diagnozuoti retas ligas.

„Jei esate porfirijos ekspertas, pirmiausia galvojate apie požymius ir simptomus“, – sakė jis. „Tačiau jūs galbūt negalvojate apie visas galimas klaidingas diagnozes, kurias šie pacientai gali turėti prieš jiems nustatant diagnozę.

„Algoritmas galėtų rasti testus, kuriuos jie atlieka, nes žmonės juda neteisingu keliu. Kokie yra klaidingi gydymo būdai, kuriuos jie gauna, nes jiems buvo neteisingai diagnozuota? Kas yra paslaugų teikėjai, su kuriais jie susiduria?”

Savo tyrime, paskelbtame Amerikos medicinos informatikos asociacijos žurnalas, tyrėjai nustatė, kad algoritmas numatė, kad pacientai bus nukreipti AHP tyrimui 89–93 % tikslumu. Ir kai reikėjo numatyti, kam buvo teigiamas ligos testas, algoritmas atpažino 71% pacientų anksčiau nei jiems buvo nustatyta tikroji diagnozė, o tai atitinka vidutiniškai 1,2 metų sutaupytą laiką.

Privatumas ir leidimai

Projektas Zebra yra viena iš kelių dirbtinio intelekto platformų, gavančių elektroninius sveikatos įrašus. Pavyzdžiui, UCLA Health mokslininkai sukūrė algoritmą, skirtą pacientams, sergantiems retais imuniniais sutrikimais, nustatyti. Kitas dėmesys skiriamas ankstyvam galutinės stadijos inkstų ligos prognozavimui.

Bet kurio mašininio mokymosi modelio atveju prieiga prie paciento duomenų dažnai gali reikšti ilgą patvirtinimo procesą. Ir kadangi algoritmai mokosi ir geriau veikia, atsižvelgiant į didžiulius duomenų rinkinius, sveikatos priežiūros įrašai iš įvairių institucijų būtų idealūs, nors leidimai būtų kliūtis.

Norėdami tai padaryti, „zebraMD“ naudoja „Virtual Pooling“ – patentuotą technologiją, kurią sukūrė bendradarbis, Ph.D., UC Santa Barbara kompiuterių mokslų katedros docentas Trinabh Gupta. Virtualus kaupimas leidžia algoritmams mokytis iš duomenų be aiškaus jų perdavimo.

„Klinikinių duomenų savininkai gali išlaikyti vietinę kontrolę, saugumą ir privatumą, – sakė dr. Rudrapatna, – bet tuo pat metu leisti mašininio mokymosi modeliams mokytis iš surinktos patirties, o tada išeiti su tomis įžvalgomis, nepalikdami pačių duomenų. “.

Svarbi AHP algoritmo mokymo dalis yra gydytojo specialisto patvirtinimas, siekiant užtikrinti, kad rezultatai būtų mediciniškai pagrįsti. Gydytojas Schmolly sakė, kad šiais metais siekiama patvirtinti iki 350 ligų, kurių tikslumas yra ne mažesnis kaip 85%. Tai suteiks tvirtą pagrindą, kad galiausiai būtų galima taikyti visas 10 000 retų ir genetinių ligų, net ir esant ypač retoms ligoms, kurioms gali nebūti gydytojo specialisto.

Projektas Zebra šiuo metu treniruoja savo algoritmą, skirtą numatyti smegenų aneurizmas – būklę, kai susilpnėjusi smegenų kraujagyslė išsiskleidžia arba plečiasi, o tai gali sukelti jos plyšimą ir kraujavimą.

Jie yra gana dažni: maždaug 1 iš 50–1 iš 100 amerikiečių turi neplyšusią smegenų aneurizmą. Tačiau plyšimas yra reta būklė, kuri kasmet paveikia apie 30 000 žmonių JAV, daugelis iš jų miršta. Labai svarbu diagnozuoti smegenų aneurizmą prieš jai plyšimą.

Geoffrey Colby, MD, Ph.D., yra neurochirurgijos ir radiologijos profesorius David Geffen medicinos mokykloje UCLA ir smegenų kraujagyslių neurochirurgijos direktorius UCLA Health. Jis konsultuoja projekto Zebra komandą kuriant smegenų aneurizmų – vienos iš ligų, kuriai klinikinėje praktikoje jis skiria daugiausiai laiko – nuspėjimo algoritmą.

Jis sakė, kad jei algoritmas pažymės pacientą, jis lieps atlikti vaizdinius tyrimus, kad atidžiai apžiūrėtų kraujagysles.

„Pliusas yra tas, kad tikimės, kad pavyks rasti žmonių, turinčių aneurizmų, ir juos sugauti, kol jiems neatsiras problemų“, – sakė daktaras Colby. „Tačiau mes nenorime, kad algoritmas nustatytų daug žmonių, kurie būtų klaidingi neigiami. Nenorime klaidingai įspėti daug žmonių.”

Jis tęsė: „Taigi, mano viltis dėl šio projekto yra žmonių, kuriems reikia pagalbos, nustatymas ir žmonių, kurie kasmet patiria gyvybei pavojingų įvykių, skaičių.

Žvilgsnis į ateitį

Projektas Zebra netrukus pasiūlys žiniatinklio programą. Tuo dirba Kristen Cardon, programinės įrangos inžinerijos praktikantė ir dabartinė doktorantė UCLA anglų kalbos katedroje.

Cardon sakė, kad ją įkvėpė jos pusbrolis, sergantis reta liga, vadinama Williamso sindromu, kuriam būdingos širdies ir kraujagyslių ligos bei kognityvinio vystymosi vėlavimas.

„Kas nors gali ateiti čia, ieškodamas informacijos apie savo diagnozę“, – sakė ji. „Šiuo metu, kuris gali būti baisus ir nerimą keliantis, mūsų programėlė tiesiog daro informaciją prieinamą, lengvą ir funkcionalią. Manau, kad tai yra psichikos sveikatos teisingumo ir apskritai sveikatos teisingumo dalis.

Gydytojai programą naudos 2024 m. žiemą, kai zebraMD išbandys savo algoritmus realiame pasaulyje, įterpdama į elektronines sveikatos įrašų sistemas Ronaldo Reagano medicinos centre UCLA, Olive-View UCLA medicinos centre, UCSF ir Dartmouth Health.

„Tikiuosi, kad kada nors tai bus standartinė bet kurios elektroninės sveikatos įrašų sistemos savybė“, – sakė daktarė Schmolly, kuri ir toliau vadovaus komandai per savo vidaus ligų rezidentūrą gydytojo-mokslininko studijoje Dartmouth Health.

„Kuo daugiau pacientų galime diagnozuoti, tuo daugiau galime stebėti laikui bėgant. Tai reiškia, kad galime sužinoti, kas veikia, o kas ne. Galime sukurti tikslios medicinos metodus šioms retoms ligoms gydyti. Daugeliui jų nėra jokio gydymo. Tačiau tikimės, kad galime rasti naujų gydymo būdų.