Machine-learning-algorithmen zu entwickeln, ein Risiko-score zur Vorhersage Tachykardie-Episoden

Artur Dubrawski ist kein critical care Arzt, aber sein bester Freund ist. Dubrawski, ein Forschungs-professor an der Carnegie Mellon University Robotics Institute, liebt das reden über Krankheit, Symptome, die mit Michael Pinsky, professor für Intensivmedizin, Herz-Kreislauf-Erkrankungen, Bioingenieurwesen und mehr an die University of Pittsburgh Medical Center. Sie lieben auch über Daten reden und, mehr wichtig, was die Daten bedeuten.

Die beiden haben zusammengearbeitet für ein Jahrzehnt, das die Kraft von der CMU-künstliche-Intelligenz-Forschung mit der klinischen expertise bei UPMC zu entwirren Sie medizinische Geheimnisse. Ihre qualifizierten Arzt Ermittler-team, darunter die University of Pittsburgh Professoren Gilles Clermont und Marilyn Hravnak, wurden wegweisend für den Nachtmodus predictive analytics. Im Jahr 2014 begann Sie zu identifizieren und vorherzusagen, welche Patienten gehen in einen Schockzustand. Sie hingen in intensive care units, Gebäude-algorithmen, um Sinn aus den Daten, die in tausenden von Patienten medizinische Aufzeichnungen.

Verbringen Sie so viel Zeit in Intensivstationen, Sie konnte nicht helfen, aber beachten Sie die „akustische Tapete“ der ständige Piepsen von Maschinen, die versuchen, Mitarbeiter zu einem problem.

„Sehr oft“ Dubrawski sagte, „diese Warnungen, sogar in den besten klinischen Krankenhäuser, die nicht wirklich reflektieren einen medizinisch relevanten Veränderung des Gesundheitszustands.“ In anderen Worten, 85% der Zeit, die Krankenschwestern zu hören sind Fehlalarme.

Ob es einen wirklichen Notfall, ein Sauerstoff-sensor, rutschte von jemandem finger oder einem Wirren, EKG-Elektrode, die Maschinen, die nicht nur das signal in der semi-Bewusstsein, piep-ermüdet Mitarbeiter, aber Sie sind nicht das sammeln von Daten, bis das problem behoben ist. Pinsky und Dubrawski analysiert die Warnungen und kategorisiert die Dringlichkeit der Antwort, die Sie geführt, entwerfen Sie ein Protokoll, um Leben zu retten.

Auf dem Weg fanden Sie etwas anderes, unerwartetes: Sie konnten voraussagen, Tachykardie.

Eine Herzerkrankung als gefährlich, da es schwierig ist, zu buchstabieren, zu Tachykardie ist definiert als ein schneller Herzschlag. Nicht gegengesteuert wird, kann dies dazu führen, eine beliebige Anzahl von Herz-Bedingungen, die für eine „normale“ Patienten. Dubrawski, in Zusammenarbeit mit Kollegen Lujie Chen, Interessierte insbesondere Tachykardie für Patienten auf Intensivstationen, wo ein schneller Herzschlag führt zu längeren Krankenhaus-Aufenthalten, und kann die Vorstufe zu Herzinsuffizienz, koronare Herzkrankheit oder sogar zum Tod führen.

Dubrawski und Pinsky gepaart wieder zu sehen, wenn Sie bauen konnte ein anderer Algorithmus, um vorherzusagen, welche Patienten auf Intensivstationen auftreten, Tachykardie und ob Sie der Anpassung der Krankenpflege-Protokolle besser zu helfen, diese Patienten.

Sie untersuchten Patienten Daten gesammelt über 25.000 Intensivstation Besuche von einer bundesweiten Datenbank, und zusammen mit Ihren Partnern an der UPMC, identifiziert werden 42 vital-Zeichen-Funktionen zu verwenden, bei der Entwicklung Ihrer prädiktiven algorithmen. Sie sichern die Daten, die aus der Zeit der Tachykardie-Ereignisse in Intervallen von einer minute, um zu sehen, ob es ein „Magisches Fenster“, wenn diese Bedingung identifiziert werden konnten und verhindert werden.

Sie betrachtete alles aus den Blutdruck der Einsatz von Norepinephrin um zu sehen, welche Kombination von Faktoren könnte dazu führen, schneller Herzschlag.

„Einige dieser Patienten sind in Gefahr, Stunden vor der Veranstaltung,“ Dubrawski sagte. „Und einige dieser Zeichen sind wahrscheinlich zu sein verpasst von Krankenschwestern.“

Während Patienten möglicherweise nicht zeigen sichtbare Symptome einer bevorstehenden, massiven Krise, die Forscher gefunden, mit hinreichender Genauigkeit, einige Muster in den Daten, um vorherzusagen, seine Entstehung. Pinsky und Dubrawski erstellt algorithmen, die erlaubt, einen computer zu „lernen“ die Signale, die von einem Verletzten Patienten Kardio-respiratorischen Systems verschlechtert sich, bevor der Schaden wird irreversibel. Sie schuf auch einen Mechanismus zu sagen, ein robot-system zu verwalten, die besten Behandlungen und Therapien zu sparen, das Leben dieser person.

Und die Freunde sind nur erste Schritte. Ihren Nachttisch, Daten exploration führte auch zu Entdeckungen rund um cardio-respiratorische Insuffizienz, ein Grab Zustand Dubrawski sagt, ist mehr Allgemeine Bedeutung, Ihre Arbeit in diesem Bereich wirkungsvoller ist. Nach Bewältigung der akuten Krisen in der Intensivstation, und Sie sind die Erkundung inneren Blutungen—eine weitere häufige und gefährliche auftreten auf der Intensivstation. Pinsky, sagte das team vor kurzem entdeckt, dieses neue Geheimnis versteckt innerhalb der aufgezeichneten Daten von Häufig verwendeten intravenösen Katheter platziert in die oberflächliche Vene zur blutabnahme, liefern Flüssigkeiten oder Medikamenten.

Während es in gibt, den Katheter Datensätzen der zentrale venendruck (CVP), die sagte Pinsky ist „nutzlos in der Definition das auftreten von Blutungen.“ Aber wenn die Daten wurde im Vergleich zum CVP-Daten gesammelt werden, wenn der patient stabil war, konnten die Forscher identifizieren, Blutungen sowie den modernsten überwachungs-Geräten. „Das Ergebnis ist einfach erstaunlich für alle von Medizin,“ sagte Pinsky, „weil es öffnet sich ein Fenster, in Instabilität, ohne die Notwendigkeit für mehr invasive überwachung.“

Dubrawski, erklärte, dass die routinemäßige klinische Versorgung und einfache Daten-überprüfung durch einen Menschen konnte es kaum erkennen alle Muster und Symptome, dass etwas wichtiges passieren wird medizinisch. Die Daten sind einfach zu Komplex und es kommt auf die ärzte zu schnell. Künstliche Intelligenz und maschinelles lernen mit diesen Komplexitäten und ein Bild malen sehr viel zuverlässiger.