Программы машинного обучения прогнозируют риск смерти на основе результатов обычных больничных тестов

Jun 18, 2023

Краткое содержание: Используя данные ЭКГ, новый алгоритм машинного обучения смог предсказать смерть пациента в течение 5 лет после поступления в больницу с точностью 87%. ИИ смог разделить пациентов на 5 категорий — от низкого до высокого риска смерти.

Источник:Университет Альберты

Если вас когда-либо госпитализировали или посещали отделение неотложной помощи, вам, вероятно, делали электрокардиограмму или ЭКГ — стандартный тест, включающий крошечные электроды, прикрепленные к вашей груди, которые проверяют ритм вашего сердца и электрическую активность.

Больничные ЭКГ обычно считывает врач или медсестра у вашей постели, но теперь исследователи используют искусственный интеллект, чтобы получить еще больше информации из этих результатов, чтобы одновременно улучшить ваше лечение и систему здравоохранения.

В недавно опубликованных результатах исследовательская группа создала и обучила программы машинного обучения на основе 1,6 миллиона ЭКГ, сделанных 244 077 пациентам в северной Альберте в период с 2007 по 2020 год.

Алгоритм предсказывал риск смерти с этого момента для каждого пациента от всех причин в течение одного месяца, одного года и пяти лет с точностью 85 процентов, распределяя пациентов на пять категорий от самого низкого до самого высокого риска.

Прогнозы были еще более точными, когда были включены демографические данные (возраст и пол) и результаты шести стандартных лабораторных анализов крови.

По словам главного исследователя Падмы Каул, профессора медицины и содиректора Канадского института здравоохранения, исследование является подтверждением концепции использования регулярно собираемых данных для улучшения индивидуального ухода и позволяет системе здравоохранения «обучаться» в процессе работы. Центр ВИГОР.

«Мы хотели знать, сможем ли мы использовать новые методы, такие как искусственный интеллект и машинное обучение, для анализа данных и выявления пациентов с более высоким риском смертности», — объясняет Каул.

«Эти результаты иллюстрируют, как модели машинного обучения могут использоваться для преобразования данных, регулярно собираемых в клинической практике, в знания, которые можно использовать для улучшения процесса принятия решений в местах оказания медицинской помощи в рамках обучающейся системы здравоохранения».

Врач назначит электрокардиограмму, если у вас высокое кровяное давление или симптомы сердечно-сосудистых заболеваний, такие как боль в груди, одышка или нерегулярное сердцебиение. На первом этапе исследования были изучены результаты ЭКГ у всех пациентов, но Каул и ее команда надеются усовершенствовать эти модели для определенных подгрупп пациентов.

Они также планируют сосредоточить свои прогнозы не только на смертности от всех причин, но и на причинах смерти, связанных с сердцем.

«Мы хотим взять данные, генерируемые системой здравоохранения, преобразовать их в знания и вернуть обратно в систему, чтобы мы могли улучшить уход и результаты. Это определение обучающейся системы здравоохранения».

Автор:Росс НейтцИсточник:Университет АльбертыКонтакт:Росс Нейтц – Университет АльбертыИзображение:Изображение находится в общественном достоянии

Оригинальное исследование: Открытый доступ. «На пути к обучающейся системе здравоохранения на основе искусственного интеллекта для прогнозирования смертности на уровне населения с использованием электрокардиограммы», Падма Каул и др. npj Цифровая медицина

Абстрактный

К обучающейся системе здравоохранения на основе искусственного интеллекта для прогнозирования смертности на уровне населения с использованием электрокардиограмм

Возможность и ценность объединения данных электрокардиограммы (ЭКГ) с продольными административными данными о состоянии здоровья населения для содействия развитию обучающейся системы здравоохранения не были полностью изучены. Мы разработали модели машинного обучения на основе ЭКГ для прогнозирования риска смертности среди пациентов, поступающих в отделение неотложной помощи или больницу по любой причине.

Используя записи ЭКГ в 12 отведениях и измерения 1 605 268 ЭКГ из 748 773 медицинских эпизодов 244 077 пациентов (2007–2020 гг.) в Альберте, Канада, мы разработали и проверили глубокое обучение (DL) на основе ResNet и XGBoost на основе градиентного повышения (XGB). модели для прогнозирования 30-дневной, 1-летней и 5-летней смертности. Модели смертности в течение 30 дней, 1 года и 5 лет были обучены на 146 173, 141 072 и 111 020 пациентах и ​​оценены на 97 144, 89 379 и 55 650 пациентах соответственно. В оценочной когорте 7,6%, 17,3% и 32,9% пациентов умерли через 30 дней, 1 год и 5 лет соответственно.