Διπλάσιοι άνθρωποι, σε σχέση με όσους εκτιμάτο έως τώρα, πεθαίνουν από σήψη στον κόσμο, σύμφωνα με μια μεγάλη διεθνή επιστημονική έρευνα η οποία δημοσιεύθηκε τον Ιανουάριο του 2020. Οι θάνατοι από σήψη είναι περισσότεροι από τους θανάτους λόγω καρκίνου (9,6 εκατομμύρια το 2018 σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας).
Η κατάσταση της υγείας του ασθενούς που πάσχει από σήψη, μπορεί να επιδεινωθεί γρήγορα, οδηγώντας σε ταχεία πτώση της αρτηριακής πίεσης, βλάβη των ιστών, ανεπάρκεια πολλαπλών οργάνων και θάνατο. Οι άμεσες παρεμβάσεις από τους επαγγελματίες του ιατρικού κλάδου σώζουν ζωές, αλλά ορισμένες θεραπείες μπορεί να συμβάλουν στην επιδείνωση της κατάστασης του ασθενούς, οπότε η επιλογή της βέλτιστης θεραπείας αποτελεί πρόκληση για τους γιατρούς. Για παράδειγμα, τις πρώτες ώρες από την αναγνώριση της σοβαρής σήψης, η ενδοφλέβια χορήγηση υπερβολικής ποσότητας υγρών μπορεί να αυξήσει τον κίνδυνο θανάτου του ασθενούς.
Για να βοηθήσουν τους γιατρούς να αποφύγουν θεραπείες που μπορεί να συμβάλλουν στο θάνατο ενός ασθενούς, ερευνητές του ΜΙΤ και άλλων ιδρυμάτων, ανέπτυξαν ένα μοντέλο μηχανικής μάθησης που θα μπορούσε να χρησιμοποιηθεί για τον εντοπισμό θεραπειών που ενέχουν μεγαλύτερο κίνδυνο από άλλες. Το μοντέλο τους μπορεί επίσης να προειδοποιήσει τους γιατρούς όταν ένας ασθενής κινδυνεύει να πεθάνει ανεξάρτητα από τη θεραπεία που θα χρησιμοποιηθεί, ώστε να μπορούν να παρέμβουν πριν να είναι πολύ αργά.
Οι επιστήμονες χρησιμοποίησαν το μοντέλο τους σε ένα σύνολο δεδομένων ασθενών με σηψαιμία σε μονάδα εντατικής θεραπείας νοσοκομείου, όπου διαπίστωσαν ότι περίπου το 12% των θεραπειών που χορηγήθηκαν σε ασθενείς που απεβίωσαν, αποδείχθηκαν επιβλαβείς. Η ομάδα διαπίστωσε επίσης ότι το μοντέλο μπορεί να αναγνωρίσει την επιδείνωση της υγείας ενός ασθενούς, σχεδόν οκτώ ώρες πριν από έναν γιατρό.
«Σε αυτές τις πραγματικά ευαίσθητες καταστάσεις, κάθε λεπτό μετράει, και το να γνωρίζουμε πώς εξελίσσεται η υγεία του ασθενούς και τον κίνδυνο χορήγησης μιας συγκεκριμένης θεραπείας ανά πάσα στιγμή, είναι πραγματικά σημαντικό», δήλωσε ο Τέιλορ Κίλιαν, μεταπτυχιακός φοιτητής στην ομάδα Healthy ML του Εργαστηρίου Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL).
Ελλιπή δεδομένα
Αυτή η έρευνα προέκυψε μετά από μια μελέτη του 2019 η οποία διερευνούσε τη χρήση της ενισχυτικής μάθησης (reinforcement learning) σε καταστάσεις όπου είναι πολύ επικίνδυνο να εξερευνήσει κανείς αυθαίρετες ενέργειες. Σε αυτές τις περιπτώσεις είναι δύσκολο να δημιουργηθούν αρκετά δεδομένα ώστε να εκπαιδευτούν αποτελεσματικά οι αλγόριθμοι.
Πρόκειται για ένα σύστημα μάθησης που προσπαθεί να μάθει μέσα από την άμεση αλληλεπίδραση με το περιβάλλον. Η έννοια της ενισχυτικής μάθησης είναι εμπνευσμένη από τα αντίστοιχα ανάλογα της μάθησης με επιβράβευση και τιμωρία. Σκοπός του συστήματος μάθησης είναι να μεγιστοποιήσει την ανταμοιβή. Ωστόσο σε ένα περιβάλλον υγειονομικής περίθαλψης, είναι σχεδόν αδύνατο να παραχθούν αρκετά δεδομένα ώστε αυτά τα μοντέλα να βρουν τη βέλτιστη θεραπεία, καθώς δεν είναι ηθικό να πειραματιστούν με πιθανές στρατηγικές θεραπείας.
Έτσι, οι ερευνητές χρησιμοποίησαν τα περιορισμένα δεδομένα από τη ΜΕΘ ενός νοσοκομείου, για να εκπαιδεύσουν ένα μοντέλο ενισχυτικής μάθησης ώστε να εντοπίζει τις θεραπείες που θα πρέπει να αποφεύγονται. Σύμφωνα με τον Κίλιαν, αυτή είναι μια πιο αποτελεσματική προσέγγιση που απαιτεί λιγότερα δεδομένα.
«Ένας βασικός στόχος είναι να μειωθεί η πιθανότητα επιλογής κάθε θεραπείας ανάλογα με την πιθανότητα να οδηγήσει τον ασθενή σε θεραπευτικό αδιέξοδο. Αυτό είναι ένα δύσκολο πρόβλημα που πρέπει να επιλυθεί, καθώς τα δεδομένα δεν μας δίνουν άμεσα μια τέτοια εικόνα. Τα θεωρητικά μας αποτελέσματα μας επέτρεψαν να αναδιατυπώσουμε αυτή τη βασική ιδέα ως πρόβλημα ενισχυτικής μάθησης», εξήγησε ο κύριος συγγραφέας της μελέτης, Μέντι Φατέμι, ανώτερος ερευνητής στη Microsoft Research.
Για να αναπτύξουν την προσέγγισή τους, που ονομάζεται Dead-end Discovery (DeD), δημιούργησαν δύο αντίγραφα ενός νευρωνικού δικτύου. Το πρώτο νευρωνικό δίκτυο εστίασε μόνο στα αρνητικά αποτελέσματα – τον θάνατο του ασθενούς. Το δεύτερο εστίασε μόνο στα θετικά, δηλαδή την επιβίωσή του. Η χρήση δύο νευρωνικών δικτύων ξεχωριστά επέτρεψε στους ερευνητές να εντοπίσουν μια επικίνδυνη θεραπεία στο ένα και στη συνέχεια να την επιβεβαιώσουν χρησιμοποιώντας το άλλο.
Τροφοδότησαν κάθε νευρωνικό δίκτυο στατιστικά στοιχεία για την υγεία του ασθενούς και μια προτεινόμενη θεραπεία. Τα δίκτυα έδωσαν μια εκτιμώμενη αξία αυτής της θεραπείας και αξιολόγησαν την πιθανότητα ο ασθενής να οδηγηθεί σε θεραπευτικό αδιέξοδο. Οι ερευνητές συνέκριναν αυτές τις εκτιμήσεις με τα καθορισμένα κατώτατα όρια για να δουν αν η κατάσταση εγείρει κάποιες ανησυχίες.
Η σημασία της σωστής θεραπείας
Οι ερευνητές δοκίμασαν το μοντέλο τους χρησιμοποιώντας ένα σύνολο δεδομένων ασθενών που θεωρούνταν σηπτικοί από τη μονάδα εντατικής θεραπείας του ιατρικού κέντρου Beth Israel Deaconess. Αυτό το σύνολο δεδομένων περιλαμβάνει περίπου 19.300 εισαγωγές με παρατηρήσεις που προέρχονται από μια περίοδο 72 ωρών με επίκεντρο τη στιγμή που οι ασθενείς εκδηλώνουν για πρώτη φορά συμπτώματα σήψης. Τα αποτελέσματά τους επιβεβαίωσαν ότι ορισμένοι ασθενείς του συνόλου δεδομένων μπήκαν σε θεραπευτικό αδιέξοδο.
«Διαπιστώσαμε ότι πάνω από το 11% των μη βέλτιστων θεραπειών θα μπορούσαν δυνητικά να είχαν αποφευχθεί, επειδή υπήρχαν καλύτερες εναλλακτικές λύσεις διαθέσιμες στους γιατρούς εκείνη τη στιγμή. Αυτός είναι ένας αρκετά σημαντικός αριθμός, αν αναλογιστεί κανείς τον παγκόσμιο όγκο των ασθενών που παθαίνουν σηψαιμία στο νοσοκομείο ανά πάσα στιγμή», λέει ο Κίλιαν.
Ο Γκασέμι τόνισε ότι το μοντέλο προορίζεται να βοηθήσει τους γιατρούς και όχι να τους αντικαταστήσει.
«Οι γιατροί είναι αυτοί που θα πρέπει να λαμβάνουν αποφάσεις σχετικά με τη φροντίδα των ασθενών τους, και οι συμβουλές σχετικά με τις θεραπείες που θα πρέπει να αποφύγουμε δεν πρόκειται να το αλλάξουν αυτό», πρόσθεσε. «Μπορούμε να αναγνωρίσουμε τους κινδύνους και να προσθέσουμε σχετικές κατευθυντήριες γραμμές με βάση τα αποτελέσματα 19.000 θεραπειών».
Οι ερευνητές θα συνεχίσουν να βελτιώνουν το μοντέλο, ώστε να μπορεί να δημιουργεί εκτιμήσεις αβεβαιότητας γύρω από τις διαφορετικές θεραπείες, που θα βοηθήσουν τους γιατρούς να λάβουν πιο τεκμηριωμένες αποφάσεις. Ένας άλλος τρόπος για την περαιτέρω επικύρωση του μοντέλου θα ήταν να το εφαρμόσουν σε δεδομένα από άλλα νοσοκομεία, κάτι που ελπίζουν να κάνουν στο μέλλον.
ΠΗΓΗ: MIT, ΑΠΕ-ΜΠΕ
Κάνε like στη σελίδα μας στο Facebook
Ακολούθησε μας στο Twitter
Κάνε εγγραφή στο κανάλι μας στο Youtube
– Αναφέρεται ως πηγή το ertnews.gr στο σημείο όπου γίνεται η αναφορά.
– Στο τέλος του άρθρου ως Πηγή
– Σε ένα από τα δύο σημεία να υπάρχει ενεργός σύνδεσμος