AI: Όταν οι ασθενείς λαμβάνουν φροντίδα μετά από καρδιακή ανακοπή, οι γιατροί μπορούν τώρα – εισάγοντας δεδομένα ασθενών σε μια διαδικτυακή εφαρμογή – να μάθουν πώς τα πήγαν χιλιάδες παρόμοιοι ασθενείς.
Όταν οι ασθενείς λαμβάνουν φροντίδα μετά από καρδιακή ανακοπή, οι γιατροί μπορούν τώρα – εισάγοντας δεδομένα ασθενών σε μια διαδικτυακή εφαρμογή – να μάθουν πώς τα πήγαν χιλιάδες παρόμοιοι ασθενείς. Ερευνητές στο Πανεπιστήμιο του Γκέτεμποργκ έχουν αναπτύξει τρία τέτοια συστήματα υποστήριξης αποφάσεων για καρδιακή ανακοπή που μπορεί, στο μέλλον, να κάνουν μεγάλη διαφορά στο έργο των γιατρών. Ένα από αυτά τα εργαλεία υποστήριξης αποφάσεων (SCARS-1), που έχει δημοσιευτεί τώρα, μπορεί να γίνει δωρεάν λήψη από τον ιστότοπο του Γκέτεμποργκ Cardiac Arrest Machine Learning Studies.
Ωστόσο, τα αποτελέσματα από τον αλγόριθμο πρέπει να ερμηνεύονται από άτομα με τις σωστές δεξιότητες. Η υποστήριξη αποφάσεων που βασίζεται στην τεχνητή νοημοσύνη επεκτείνεται έντονα σε πολλούς τομείς της υγειονομικής περίθαλψης και βρίσκονται σε εξέλιξη εκτενείς συζητήσεις σχετικά με το πώς οι υπηρεσίες φροντίδας και οι ασθενείς μπορούν να επωφεληθούν περισσότερο από αυτήν. Η εφαρμογή έχει πρόσβαση σε δεδομένα από το Σουηδικό Μητρώο Καρδιοπνευμονικής Αναζωογόνησης για δεκάδες χιλιάδες περιπτώσεις ασθενών. Οι ερευνητές του Πανεπιστημίου του Γκέτεμποργκ χρησιμοποίησαν μια προηγμένη μορφή μηχανικής μάθησης για να διδάξουν μοντέλα κλινικής πρόβλεψης για να αναγνωρίσουν διάφορους παράγοντες που επηρέασαν προηγούμενα αποτελέσματα.
Οι αλγόριθμοι λαμβάνουν υπόψη πολυάριθμους παράγοντες που σχετίζονται, για παράδειγμα, με την καρδιακή ανακοπή, τη θεραπεία που παρέχεται, την προηγούμενη κακή υγεία, τη φαρμακευτική αγωγή και την κοινωνικοοικονομική κατάσταση. Οι επίσημες συστάσεις για καρδιακή ανακοπή είναι πιθανό να περιλαμβάνουν υποστήριξη αποφάσεων με βάση την τεχνητή νοημοσύνη, αλλά οι γιατροί είναι ελεύθεροι να χρησιμοποιήσουν αυτά τα μοντέλα πρόβλεψης και άλλες νέες μεθόδους που βασίζονται σε στοιχεία. Επικεφαλής της ερευνητικής ομάδας που εργάζεται για την υποστήριξη αποφάσεων για καρδιακή ανακοπή είναι ο Araz Rawshani, ερευνητής στην Ακαδημία Sahlgrenska του Πανεπιστημίου και ιατρός στην καρδιολογία στο Πανεπιστημιακό Νοσοκομείο Sahlgrenska.
«Τόσο εγώ όσο και αρκετοί από τους συναδέλφους μου που θεραπεύουν ασθενείς έκτακτης ανάγκης με καρδιακή ανακοπή έχουμε ήδη αρχίσει να χρησιμοποιούμε τα μοντέλα πρόβλεψης ως μέρος της διαδικασίας μας για να αποφασίσουμε για το επίπεδο περίθαλψης. Η απάντηση από αυτά τα εργαλεία συχνά σημαίνει ότι λαμβάνουμε επιβεβαίωση των προβολών στις οποίες έχουμε ήδη φτάσει. Ωστόσο, μας βοηθά να μην υποβάλλουμε τους ασθενείς σε επώδυνη θεραπεία που είναι πολύ απίθανο να ωφελήσει τον ασθενή, ενώ εξοικονομούμε πόρους φροντίδας», λέει ο Rawshani.
Μέχρι σήμερα, η ερευνητική ομάδα έχει δημοσιεύσει δύο εργαλεία υποστήριξης αποφάσεων. Ένα μοντέλο κλινικής πρόβλεψης, γνωστό ως SCARS-1, παρουσιάζεται στο περιοδικό eBioMedicine του The Lancet. Αυτό το μοντέλο υποδεικνύει εάν μια νέα περίπτωση ασθενούς μοιάζει με άλλες, προηγούμενες περιπτώσεις όπου, 30 ημέρες μετά την καρδιακή ανακοπή, οι ασθενείς είχαν επιζήσει ή πέθαναν. Η ακρίβεια του μοντέλου είναι ασυνήθιστα υψηλή. Με βάση μόνο τους δέκα πιο σημαντικούς παράγοντες, το μοντέλο έχει ευαισθησία 95 τοις εκατό και ειδικότητα 89%.
«Αυτή η υποστήριξη απόφασης είναι ένα από τα πολλά κομμάτια ενός μεγάλου παζλ: τη συνολική εκτίμηση του γιατρού για έναν ασθενή. Έχουμε πολλούς διαφορετικούς παράγοντες που πρέπει να λάβουμε υπόψη για να αποφασίσουμε αν θα προχωρήσουμε στην καρδιοπνευμονική αναζωογόνηση. Είναι μια εξαιρετικά απαιτητική θεραπεία που πρέπει να δίνουμε μόνο σε ασθενείς που θα ωφεληθούν από αυτήν και θα είναι σε θέση, μετά την παραμονή τους στο νοσοκομείο, να ζήσουν μια ζωή με αξία για τον εαυτό τους», λέει ο Hessulf.
Αυτή η μορφή υποστήριξης βασίζεται σε 393 παράγοντες που επηρεάζουν τις πιθανότητες των ασθενών να επιβιώσουν από την καρδιακή τους ανακοπή για 30 ημέρες μετά το συμβάν. Η υψηλή ακρίβεια του μοντέλου μπορεί να εξηγηθεί από τον τεράστιο αριθμό περιπτώσεων ασθενών (περίπου 55.000) στις οποίες βασίζεται ο αλγόριθμος και το γεγονός ότι δέκα από τους σχεδόν 400 παράγοντες έχουν βρεθεί ότι επηρεάζουν σε μεγάλο βαθμό την επιβίωση. Μακράν ο πιο σημαντικός παράγοντας ήταν αν η καρδιά ανέκτησε ξανά βιώσιμο καρδιακό ρυθμό μετά την εισαγωγή του ασθενούς στο τμήμα επειγόντων περιστατικών.
Κίνδυνος νέας καρδιακής ανακοπής
Το δεύτερο εργαλείο υποστήριξης αποφάσεων που δημοσιεύτηκε έχει παρουσιαστεί στο περιοδικό Resuscitation. Αυτό το εργαλείο βασίζεται σε δεδομένα ασθενών που επέζησαν από την εξωνοσοκομειακή καρδιακή ανακοπή μέχρι να λάβουν εξιτήριο από το νοσοκομείο. Τα προγνωστικά μοντέλα βασίζονται σε 886 παράγοντες σε 5098 περιπτώσεις ασθενών από το Σουηδικό Μητρώο Καρδιοπνευμονικής Αναζωογόνησης. Αυτό το εργαλείο στοχεύει εν μέρει στο να βοηθήσει τους γιατρούς να αναγνωρίσουν ποιοι ασθενείς κινδυνεύουν να υποστούν άλλη καρδιακή ανακοπή ή θάνατο εντός ενός έτους από την έξοδο από το νοσοκομείο μετά την καρδιακή ανακοπή. Στοχεύει επίσης να τονίσει ποιοι παράγοντες είναι σημαντικοί για τη μακροπρόθεσμη επιβίωση μετά από καρδιακή ανακοπή
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
