Forskare vid ETH Zürich tillämpar maskininlärning på intensivvårdsavdelningar för att skilja mellan falska larm och de som signalerar verkliga medicinska problem.

Pip, pip, pip. På intensivvårdsavdelningar (ICU), någon övervakningsenhet eller annan slår alltid larm. Oavsett om det är en patient vars syrenivå i blodet är för låg, någon i nästa säng vars intrakraniella tryck stiger, eller någon annan vars blodtryck har tagit en nosedive. Eller kanske bara för att en patient har bytt position i sängen.

Falskt larm som det här sista är alltför vanliga. De utnyttjar medicinsk personals värdefulla tid och ökar risken för att riktiga larm går förlorade i floden av falska. Det betyder att det ligger i sjuksköterskornas och läkarnas intresse att kraftigt minska antalet falsklarm. Arbetar med forskare vid Universitetssjukhuset Zürichs neurokritiska vårdenhet, forskare vid ETH Zürich har nu utvecklat en maskininlärningsmetod som syftar till att uppnå just detta.

Kombinera data

Som en del av en förstudie inom ett datavetenskapligt projekt kallat ICU Cockpit, forskarna använde omfattande intensivvårdsdatainspelningar. Med patienternas samtycke, deras vitala tecken lagras systematiskt i hög tidsupplösning tillsammans med eventuella larm som kan ha ljudit.

Som i allmänhet är fallet på intensivvårdsavdelningar, de olika anordningarna för cirkulationsövervakning, konstgjord ventilation och hjärnövervakning fungerar oberoende av varandra. Följaktligen, enheterna larmar var och en när deras värden går över eller under ett visst tröskelvärde. Forskarna kombinerade och synkroniserade data från dessa olika enheter och använde sedan nya maskininlärningstekniker för att identifiera vilka larm som var irrelevanta ur medicinsk synvinkel.

Datorn gör läkarens benarbete

"Vanligtvis, innan en dator kan börja lära sig, människor måste först ha kategoriserat ett visst antal larm som relevanta eller icke-relevanta, " förklarar Walter Karlen, Professor i mobila hälsosystem vid ETH Zürich. "Datorsystem kan sedan använda denna information för att förstå principen bakom klassificeringen och i slutändan kategorisera larm själva."

Dock, att låta någon klassificera larm på intensivvården är en oändlig uppgift, inte bara för att det måste göras för varje patient individuellt. Dessutom, medicinsk personal som behandlar patienter på intensivvården skulle inte ha tid att lära ut en dator också.

Fungerar även med fragmentarisk data

Detta innebär att det idealiska systemet för utplacering på en intensivvårdsavdelning skulle vara ett som skulle kunna lära sig själv även om sjuksköterskor eller läkare har klassificerat endast ett litet antal larm. Det är här den maskininlärningsmetod som Karlen och hans kollegor har utvecklat verkligen kommer till sin rätt.

Forskarna testade sin metod med hjälp av en liten datauppsättning från Zürichs neurokritiska vårdenhet:register över vitala tecken och larm för 14 patienter under en period av flera dagar. I genomsnitt, medicintekniska produkter slog larm nästan 700 gånger per patient och dag; med andra ord, varannan minut. Även om bara 1, 800 (13 procent) av datamängden totalt 14, 000 larm hade klassificerats manuellt, algoritmen kunde ändå kategorisera de återstående larmen som verkliga eller falska. Om forskarna tillät att systemet hade en felfrekvens på 5 procent, det minskade antalet falska larm med 77 procent.

Forskarna kunde också visa att metoden fungerar även med en betydligt lägre grad av manuell hjälp:allt som krävdes var 25 eller 50 manuella klassificeringar för att systemet skulle flagga ett stort antal larm som falska. Forskarna visade också att särskilt i situationer där det har varit väldigt lite manuell hjälp, den nya metoden är mycket effektivare än befintliga maskininlärningsmetoder.

Detta projekt analyserade kliniska data i efterhand. Forskarna överväger nu om de ska studera effektiviteten av deras algoritm med hjälp av en prospektiv klinisk studie.