Under operationen, Anestesiläkare övervakar och hanterar patienter för att se till att de är säkra och andas bra. Men dessa läkare kan inte alltid förutsäga när komplikationer kommer att uppstå.

Nu har forskare vid University of Washington utvecklat ett nytt maskininlärningssystem, kallas Prescience, som använder input från patientdiagram och standardsensorer för operationsrum för att förutsäga sannolikheten att en patient kommer att utveckla hypoxemi – ett tillstånd när blodsyrenivåerna sjunker något under det normala. Hypoxemi kan leda till allvarliga konsekvenser, såsom infektioner och onormalt hjärtbeteende.

Prescience ger också verkliga förklaringar bakom sina förutsägelser. Med denna information, Anestesiläkare kan bättre förstå varför en patient löper risk för hypoxemi och förhindra det innan det inträffar. Laget, som kommer att publicera sina resultat 10 oktober in Nature Biomedicinsk teknik , uppskattar att Prescience skulle kunna förbättra anestesiologernas förmåga att förutse och förhindra 2,4 miljoner fler hypoxemifall i USA varje år.

"Moderne maskininlärningsmetoder spottar ofta bara ut ett förutsägelseresultat. De förklarar inte för dig vilka patientegenskaper som bidrog till den förutsägelsen, sa Su-In Lee, en docent vid UW:s Paul G. Allen School of Computer Science &Engineering och senior författare till tidningen. "Vår nya metod öppnar den här svarta lådan och gör det faktiskt möjligt för oss att förstå varför två olika patienter kan utveckla hypoxemi. Det är kraften."

Lee och Scott Lundberg, en doktorand i Allen School, startade projektet med att träffa medarbetare från UW Medicine för att ta reda på vad de behövde i operationssalen.

"En av sakerna som anestesiologerna sa var:" Vi är inte riktigt nöjda med bara en förutsägelse. Vi vill veta varför, "" sa Lee. "Så det fick oss att tänka."

Lee och Lundberg satte sig för att skapa ett maskininlärningssystem som både kunde göra förutsägelser och förklara dem. Först, de skaffade en datauppsättning på 50, 000 verkliga operationer från University of Washington och Harborview medicinska centra i Seattle. Dessa data inkluderar information om patientintag som ålder och vikt samt realtid, minut för minut information – puls, syrenivåer i blodet och mer — under hela operationerna. Forskarna använde alla dessa data för att lära Prescience att göra förutsägelser.

Teamet ville att Prescience skulle lösa två olika typer av problem. Prescience behövde titta på information före operationen och förutsäga om en given patient skulle ha hypoxemi under anestesi. Prescience var också tvungen att förutsäga hypoxemi när som helst under operationen genom att titta på realtidsinformation. Till sist, Lee och Lundberg utvecklade ett nytt tillvägagångssätt för att träna Prescience för att generera förståeliga förklaringar bakom sina förutsägelser.

För data före operationen, Prescience fann att body mass index var en viktig egenskap som bidrog till en förutsägelse att en patient skulle uppleva hypoxemi under operationen. Men under operationen, själva blodets syrenivåer bidrog mest till en förutsägelse.

Med denna information i åtanke, det var dags att sätta Prescience på prov.

Lee och Lundberg skapade ett webbgränssnitt som körde narkosläkare genom förkirurgi och realtidsfall från operationer i datamängden som inte användes för att träna Prescience. För realtidstestet, forskarna valde specifikt fall som skulle vara svåra att förutse, som när en patients blodsyrenivå är stabil i 10 minuter och sedan sjunker.

"Vi ville veta om detta skulle vara informativt för anestesiologer, sa Lundberg, vem är den första författaren på tidningen. "Så för några av deras fall, de fick en stapel med ytterligare information från Prescience."

Prescience förbättrade läkarnas förmåga att korrekt förutsäga en patients hypoxemisk risk med 16 procent före en operation och med 12 procent i realtid under en operation. Övergripande, med hjälp av Prescience, anestesiologerna kunde korrekt skilja mellan de två scenarierna nästan 80 procent av gångerna både före och under operationen.

"Denna forskning kommer att göra det möjligt för oss att bättre förutse komplikationer och rikta vår behandling till varje patient, " sa medförfattaren Dr Monica Vavilala, professor i anestesiologi och smärtmedicin vid UW School of Medicine och chef för Harborview Injury Prevention &Research Center. "Om vi ​​vet att det finns en aspekt som orsakar problemet, då kan vi närma oss det först och snabbare. Detta kan verkligen förändra vårt sätt att träna, så det här är en riktigt stor sak."

Prescience är inte riktigt redo att vara på operationssalar ännu. Lee och Lundberg planerar att fortsätta arbeta med anestesiologer för att förbättra Prescience och ge det ett gränssnitt som är både intuitivt och användbart. Dessutom, teamet hoppas att senare versioner av Prescience kommer att kunna förutsäga andra skadliga tillstånd, som lågt blodtryck, och rekommendera behandlingsplaner.

Oavsett Presciences framtid, en poäng är tydlig:denna teknik är tänkt att hjälpa anestesiläkare att ta bättre hand om sina patienter, sa Lundberg.

"Prescience behandlar ingen, " sa han. "Istället berättar den varför den är orolig, vilket sedan gör det möjligt för läkaren att fatta bättre behandlingsbeslut."