「欠点」への対処: AI を活用して敗血症の発症を予測する

ジョン・ハラムカ医師、メイヨー・クリニック・プラットフォーム社長

統計は厄介です: ほぼ 患者数 4,900 万人 世界中で毎年敗血症を発症し、約1,100万人が合併症で死亡しています。 症状を検出するためのプロトコルはいくつかありますが、これらでは不十分な場合が多いため、データ サイエンティストや開発者は、早期に状態を予測するための AI 主導のアルゴリズムを作成しようとしています。 以前のブログではで、Epic の敗血症アルゴリズムの欠点についてお話しましたが、それ以来、数人の研究者がこの分野でより有望なデジタル ツールを開発しました。

ジョンズ・ホプキンス大学の研究者らは、標的型リアルタイム早期警告システム (TREWS) と呼ばれる敗血症用の機械学習システムを開発し、2 年間にわたって 5 つの病院で使用しました。 過去に遡って確認された 9,800 件を超える敗血症症例の分析にこの技術を使用したところ、患者の 82% に合併症があることが早期に特定されました。 ヘンリーらが解説: 「患者の症状と重症度を調整すると、3 時間以内に医療従事者によって警告が確認された敗血症患者は、最初の抗生物質の指示までの時間の中央値が 1.85 時間短縮されました。警告が解除されたか、警告が確認された敗血症患者と比較して、アラートから 3 時間後、またはシステムで対処されなかった。」

もちろん、遡及研究には弱点があります。 調査結果を歪める可能性のある交絡変数を考慮に入れていないことがよくあります。 幸いなことに、ジョンズ・ホプキンスのチームはまた、 前向き多施設研究 それは、TREWS ツールの価値を調べたものでした。 この試験では、抗生物質による治療が開始される前に特定された6,800人以上の患者が評価されました。

研究者らは次のように報告した。「患者の症状と重症度を調整すると、警報発生後 3 時間以内に医療従事者によって警報が確認されたこのグループの患者は、院内死亡率が低下した…病院内で医療従事者によって警報が確認されなかった患者と比較すると、 3時間です。」

カリフォルニア大学サンディエゴ校 (UCSD) も、 AIツールを開発した それは敗血症に対処します。 COMPOSER と呼ばれる彼らのシステムは、2 つの救急病院で実施された前後の前向き研究中に合併症を予測するために使用されました。 研究者らは、看護師が管理するアドバイスを頼りに、6,000人以上の成人敗血症患者を評価した。 彼らは、COMPOSER が「院内敗血症死亡率の 1.9 パーセントの絶対減少 (17 パーセントの相対減少) と有意に関連している」ことを発見しました。

ただし、AI を使用して敗血症の負担を軽減する取り組みは、米国の主要な学術センターに限定されません。 キム・フアット・ゴーとその仲間たちらは、シンガポールの南洋理工大学と共同で、敗血症を予測および診断するために構造化データと非構造化臨床記録を組み込んだSERAと呼ばれるアルゴリズムを開発した。 彼らは、AUC 0.94、感度 0.87、特異度 0.87 で合併症の発症を 12 時間前に予測することができました。 彼らのデータによれば、医師による単独予測と比較して、このアルゴリズムには「敗血症の早期発見が最大 32 パーセント増加し、偽陽性が最大 17 パーセント減少する」可能性があることが示唆されています。

「異なるアプローチ」

他の技術者は、多少異なるアプローチを採用しています。 彼らは敗血症の不均一な性質を認識しており、 アルゴリズムの開発 互いに異なる症状を示す患者のサブタイプを検索します。 彼らは、逐次臓器不全評価 (SOFA) と呼ばれる方法を使用して、呼吸、凝固、肝臓、心臓血管、中枢神経系、腎臓系の機能を含むいくつかの臓器系を評価するスコアを作成します。

1 つのグループは 4 つの表現型サブグループを分離しており、それぞれが異なる特徴と結果を持っています。 たとえば、「β表現型の患者は慢性疾患や腎障害の罹患率が高いが、γ表現型の患者は炎症や肺機能不全の発生率が高い。」

同様に、 株式会社ルミナーレは最近メイヨークリニックの Platform_Accelerate プログラムを卒業し、7 つの表現型を検出しました。 Luminare の CEO である Sarma Velamuri 医師は、多くの AI システムの欠点の 1 つは、状態の代理マーカーを使用し、病気が存在するか存在しないかの 2 つの結果を生成することだと指摘しています。 たとえば、敗血症検出用の AI モデルをトレーニングする場合、敗血症用の DRG コードと ICD-10 コードが利用されるか、自然言語処理が非構造化データからフリー テキストを抽出するために使用されます。

このアプローチでは、定義されているターゲットがバイナリであるため、特異性が低くなり、アラート疲れが生じます。 臨床現場では、AI モデルから敗血症とみなされることが医療提供者によってベッドサイドで合意されていないことが多いため、この方法論はさらなる問題を引き起こします。 目標を設定するより良い方法は、患者の表現型をより詳細なカテゴリーに分類することだと、Velamuri 氏は言います。 これはターゲットをより適切に定義し、特徴抽出に役立ちます。 この方法を使用すると、AI モデルを微調整して、初期の患者の悪化などの隣接する臨床問題を探すこともできます。

Luminare は、どの患者に抗生物質やその他の介入が必要かを直接予測しないため、他の敗血症評価システムとも異なります。 その代わりに、患者に関するワークフロー内で教育し、患者がどの表現型に陥る可能性があるかを示し、EHR 内で敗血症バンドルを注文するためのオプションを提供する通知をスタッフ看護師に提供するプラットフォームです。 看護師はその情報をどのように使用するかを決定し、プラットフォームを通じて適切な医師に連絡できるため、注意力疲労の可能性が軽減されます。

AI は敗血症管理に大きく進歩しています。 これらのデジタル ツールは完璧とは程遠いものの、私たちを正しい方向に導いてくれます。

これ ピース この本は、メイヨー クリニック プラットフォームの社長であるジョン ハラムカ医師と、上級リサーチ アナリスト兼コミュニケーション スペシャリストであるポール セラートによって執筆されました。 彼らのブログを閲覧するには、 ここをクリック。