«Поскольку раннее выявление и быстрое вмешательство имеют важное значение в случаях сепсиса, инструменты машинного обучения, подобные этому, предлагают потенциал для улучшения клинических результатов у этих младенцев», – сказал первый автор Аарон Дж. Масино, доктор философии, который руководил работой исследовательской группы по машинному обучению. Масино – доцент кафедры анестезиологии и реанимации и член кафедры биомедицинской информатики и медицинской информатики Детской больницы Филадельфии (CHOP). "Последующие клинические исследования позволят исследователям оценить, насколько хорошо такие системы работают в условиях больницы."
Исследовательская группа опубликовала свои результаты в ретроспективном исследовании случай-контроль, февраль.
22 в PLOS ONE.
Сепсис, основная причина детской смертности и заболеваемости во всем мире, начинается с бактериального вторжения в кровоток. К сожалению, агрессивный иммунный ответ может вызвать прогрессирование септического шока, тяжелого системного состояния, вызывающего отказ нескольких органов, иногда со смертельным исходом.
Хотя у здоровых доношенных детей частота сепсиса относительно редка, у недоношенных или хронически госпитализированных младенцев частота сепсиса в 200 раз выше. Выжившие после младенческого сепсиса могут страдать от долгосрочных проблем, таких как хроническое заболевание легких, нарушения развития нервной системы и длительное пребывание в больнице.
Быстрая диагностика сепсиса у госпитализированных младенцев часто затруднена из-за неоднозначных клинических признаков и неточностей в скрининговых тестах.
Задержки в распознавании сепсиса вызывают задержки в вмешательстве, включая лечение антибиотиками и поддерживающую терапию. Однако ненужное использование антибиотиков сопряжено с риском и повышает устойчивость к антибиотикам, поэтому важна четкая ранняя диагностика.
Настоящее исследование направлено на разработку модели машинного обучения, способной распознавать сепсис у новорожденных в отделении интенсивной терапии новорожденных как минимум за четыре часа до клинического подозрения. «Насколько нам известно, это было первое исследование по изучению машинного обучения для выявления сепсиса до его клинического распознавания с использованием только регулярно собираемых данных EHR», – сказал Масино.
Машинное обучение использует вычислительные и статистические методы для обучения вычислительных моделей обнаружению закономерностей в данных, а затем выполнению желаемой задачи. В этом случае исследовательская группа оценила, насколько хорошо восемь моделей машинного обучения смогли проанализировать данные пациентов, чтобы предсказать, у каких младенцев был сепсис.
Поскольку данные были получены из ретроспективной выборки новорожденных в отделении интенсивной терапии новорожденных, исследователи смогли сравнить прогнозы каждой модели с последующими результатами – независимо от того, был ли у отдельного пациента развился сепсис.
Исследовательская группа использовала данные EHR от 618 младенцев в CHOP NICU с 2014 по 2017 год. Многие из младенцев в регистре пациентов были недоношенными; в когорте средний гестационный возраст составлял 34 недели.
Сопутствующие состояния включали хроническое заболевание легких, врожденный порок сердца, некротический энтероколит (тяжелая кишечная инфекция) и хирургические состояния.
Среди соавторов были педиатр и специалист по биомедицинской информатике Роберт В. Грундмайер, доктор медицины, неонатолог и эксперт по сепсису Мэри Кэтрин Харрис, доктор медицины. Оба использовали свой клинический опыт и знания медицинской литературы, чтобы помочь разработать группы связанных с сепсисом признаков, доступных в данных EHR.
Мазино, Грундмайер и Харрис, помимо своих должностей в CHOP, также являются преподавателями Медицинской школы Перельмана при Университете Пенсильвании.
Грундмайер и Харрис, ведущие клинические исследователи, составили список из 36 признаков, связанных или предположительно связанных с детским сепсисом.
Эти характеристики, сгруппированные по жизненно важным показателям, лабораторным показателям, сопутствующим заболеваниям и клиническим факторам, например, был ли ребенок на аппарате искусственной вентиляции легких, были извлечены из записей EHR и предоставили входные данные для моделей машинного обучения. «Специалисты по биомедицинской информатике, такие как я, сотрудничали с нашими коллегами-клиницистами, чтобы выбрать соответствующие функции из данных EHR», – сказал Масино.
Шесть из восьми моделей показали хорошие результаты при точном прогнозировании сепсиса за период до четырех часов до клинического распознавания состояния.
По словам Мазино, выводы команды являются предварительным шагом к разработке клинического инструмента для работы в больницах, работающего в режиме реального времени. Исследователи планируют дополнить это исследование дальнейшими исследованиями для уточнения своих моделей и изучения программных инструментов в тщательно разработанном проспективном клиническом исследовании. «Если исследование подтвердит некоторые из этих моделей, мы можем разработать инструмент для поддержки клинических решений и улучшения результатов у тяжелобольных младенцев», – добавил он.