Läkare på intensivvårdsavdelningar står inför ett ständigt dilemma:varje blodprov de beställer kan ge kritisk information, men tillför också kostnader och risker för patienterna. För att möta denna utmaning, forskare från Princeton University utvecklar en beräkningsmetod för att hjälpa kliniker att mer effektivt övervaka patienternas tillstånd och fatta beslut om de bästa möjligheterna att beställa labbtester för specifika patienter.

Använder data från fler än 6, 000 patienter, doktoranderna Li-Fang Cheng och Niranjani Prasad arbetade tillsammans med docent i datavetenskap Barbara Engelhardt för att designa ett system som både kunde minska frekvensen av tester och förbättra tidpunkten för kritiska behandlingar. Teamet presenterade sina resultat den 6 januari vid Pacific Symposium on Biocomputing på Hawaii.

Analysen fokuserade på fyra blodprov som mätte laktat, kreatinin, blod ureakväve och vita blodkroppar. Dessa indikatorer används för att diagnostisera två farliga problem för intensivvårdspatienter:njursvikt eller en systemisk infektion som kallas sepsis.

"Eftersom ett av våra mål var att fundera på om vi kunde minska antalet labbtester, vi började titta på de [blodtest] panelerna som är mest beställda, sa Cheng, medförfattare till studien tillsammans med Prasad.

Forskarna arbetade med MIMIC III-databasen, som inkluderar detaljerade register över 58, 000 intensivvårdsinläggningar vid Beth Israel Deaconess Medical Center i Boston. För studien, forskarna valde en delmängd av 6, 060 register över vuxna som vistades på intensiven i mellan en och 20 dagar och hade mätningar för vanliga vitala tecken och laboratorietester.

"Dessa medicinska uppgifter, i den skala vi pratar om, i princip blivit tillgängliga under det senaste eller två senaste året på ett sätt så att vi kan analysera dem med maskininlärningsmetoder, sa Engelhardt, studiens seniorförfattare. "Det är superspännande, och en stor möjlighet."

Teamets algoritm använder en "belöningsfunktion" som uppmuntrar en testorder baserat på hur informativt testet är vid en given tidpunkt. Det är, det är större belöning att administrera ett test om det finns en högre sannolikhet att en patients tillstånd skiljer sig signifikant från den senaste mätningen, och om testresultatet sannolikt tyder på ett kliniskt ingripande som att sätta igång antibiotika eller hjälpa andningen genom mekanisk ventilation. På samma gång, funktionen lägger till en straffavgift för testets monetära kostnad och risk för patienten. Prasad noterade att beroende på situationen, en läkare kan besluta att prioritera en av dessa komponenter framför andra.

Detta tillvägagångssätt, känd som förstärkningsinlärning, syftar till att rekommendera beslut som maximerar belöningsfunktionen. Detta behandlar frågan om medicinska tester "som det sekventiella beslutsfattande problemet det är, där du redogör för alla beslut och alla tillstånd du har sett under den senaste tidsperioden och bestämmer vad du ska göra vid en aktuell tidpunkt för att maximera långsiktiga belöningar för patienten, " förklarade Prasad, en doktorand i datavetenskap.

Att sortera igenom denna information i tid för en klinisk miljö kräver avsevärd datorkraft, sa Engelhardt, en associerad fakultetsmedlem vid Princeton Institute for Computational Science and Engineering (PICSciE). Cheng, en elektroingenjörsstudent, arbetade med sin medrådgivare Kai Li, Paul M. och Marcia R. Wythes professor i datavetenskap, att köra teamets beräkningar med hjälp av PICSciE-resurser.

För att testa användbarheten av den labbtestpolicy de utvecklade, forskarna jämförde belöningsfunktionsvärdena som skulle ha blivit resultatet av att tillämpa deras policy på de testregimer som faktiskt användes för de 6, 060 patienter i träningsdatauppsättningen, som lades in på intensivvårdsavdelningen mellan 2001 och 2012. De jämförde också dessa värden med de som skulle ha resulterat från randomiserade laboratorietester.

För varje test- och belöningskomponent, policyn som genereras av maskininlärningsalgoritmen skulle ha lett till förbättrade belöningsvärden jämfört med de faktiska policyerna som används på sjukhuset. I de flesta fall överträffade algoritmen också slumpmässiga policyer. Laktattestning var ett anmärkningsvärt undantag; detta kan förklaras av den relativt låga frekvensen av laktattestbeställningar, leder till en hög grad av varians i testets informativitet.

Övergripande, forskarnas analys visade att deras optimerade policy skulle ha gett mer information än den faktiska testregim som läkare följde. Att använda algoritmen kunde ha minskat antalet beställningar av labbtest med så mycket som 44 procent när det gäller tester av vita blodkroppar. De visade också att detta tillvägagångssätt skulle ha hjälpt läkare att ingripa ibland timmar tidigare när en patients tillstånd började försämras.

"Med beställningspolicyn för labbtest som denna metod utvecklade, vi kunde beställa laboratorier för att fastställa att patientens hälsa hade försämrats tillräckligt för att behöva behandling, i genomsnitt, fyra timmar innan läkaren faktiskt påbörjade behandling baserat på kliniker beställda laboratorier, sa Engelhardt.

"Det finns en brist på evidensbaserade riktlinjer inom intensivvården angående lämplig frekvens av laboratoriemätningar, sa Shamim Nemati, en biträdande professor i biomedicinsk informatik vid Emory University som inte var involverad i studien. "Datadrivna tillvägagångssätt som den som föreslagits av Cheng och medförfattare, i kombination med en djupare insikt i kliniskt arbetsflöde, har potential att minska kartläggningsbördan och kostnaderna för överdrivna tester, och förbättra situationsmedvetenhet och resultat."

Engelhardts grupp samarbetar med dataforskare på Penn Medicines Predictive Healthcare Team för att införa denna policy i kliniken inom de närmaste åren. Sådana ansträngningar syftar till att "ge kliniker de superkrafter som andra människor i andra domäner ges, " sa Penn Senior Data Scientist Corey Chivers. "Har tillgång till maskininlärning, artificiell intelligens och statistisk modellering med stora mängder data" kommer att hjälpa kliniker att "fatta bättre beslut, och i slutändan förbättra patienternas resultat, " han lade till.

"Detta är en av de första gångerna vi kommer att kunna ta den här maskininlärningsmetoden och faktiskt lägga den på intensiven, eller på en sluten sjukhusmiljö, och ge vårdgivare råd på ett sätt så att patienterna inte kommer att vara i riskzonen, sade Engelhardt. Det är verkligen något nytt.

Detta arbete stöddes av Helen Shipley Hunt Fund, som stöder forskning som syftar till att förbättra människors hälsa; och Eric och Wendy Schmidts fond för strategisk innovation, som stödjer forskning inom artificiell intelligens och maskininlärning.