En man med en historia av hjärtarytmi är inlagd på ett akutrum i Virginia, med symtom på bröstsmärtor och oregelbunden hjärtrytm. Baserat på faktorer som ålder, andningsfrekvens, blodtryck, och antalet blodplättar, läkare kan avgöra sannolikheten för att han ska överleva under intensivvård. De gör detta med hjälp av en intensivvårdsavdelning (ICU) för allvarlighetsgraden av sjukdomen, den vanligaste är APACHE -systemet. APACHE—Acute Physiology and Chronic Health Evaluation—designades ursprungligen i början av 1980-talet som ett verktyg för att förutsäga, presenterar sedan risken för kritisk vård i ett förenklat format.

Med vitala tecken och serumnivåer kontrollerade, mannen beräknas ha en risk på 7 procent, vilket tyder på en relativt låg sannolikhet att dö under sin intensivvårdsvistelse. Sjukhuset kommer att använda denna poäng för att senare bedöma sin egen prestation, och jämför liknande patienters resultat med andra sjukhus.

Men hade patienten varit australiensisk och förd till en intensivvårdsavdelning i Perth, den USA-centrerade APACHE-poängen kan ha visat sig vara mindre användbar, med hans chanser att överleva en mer komplex fråga, säger Jesse Raffa, en forskare vid Institute for Medical Engineering and Science (IMES) och ledande utvecklare av ett nytt poängsystem som kallas Global Open Source Severity of Illness Score, eller GOSSIS.

"Det skulle vara svårt att säga om en modell utvecklad på amerikanska patienter är relevant för en sådan patient i Australien, " säger Raffa. "Vad vi försöker göra är att komma på något mer internationellt lämpligt."

Med GOSSIS, Raffa och en grupp medarbetare försöker samla in och införliva sjukhusdata från en rad länder, vilket skapar ett verkligt universellt ICU-svårhetsvärde för sjukdom som kan användas i en mängd olika miljöer. Raff och gruppen — medforskarna Alistair Johnson, Tom Pollard, David Pilcher, och Omar Badawi, råd av huvudforskaren Leo Anthony Celi och en del av Laboratory for Computational Physiology, ledd av professor Roger Mark vid IMES, som tillsammans med deltagande sjukhus tillsammans heter GOSSIS -konsortiet - syftar också till att tillhandahålla ett bättre kalibrerat system än äldre modeller. Initial finansiering för GOSSIS tillhandahölls av Philips Healthcare och National Institutes of Health.

"APACHEs primära användning är för sjukhus att övervaka hur bra de har det, " säger Raffa. "Och kalibrering är viktigt för benchmarking, eller att jämföra överlevnadsstatistik med den från andra sjukhus, och sedan bedöma relativa prestationer."

Även om sjukhus i allmänhet har en uppfattning om sin egen patientdödlighet, Raffa säger, välkalibrerade prediktionsmodeller saknas ofta, gör det svårt att jämföra med sina kamrater. "När du har ett systematiskt tillvägagångssätt - en validerad algoritm - leder detta till mer exakt benchmarking av ditt center."

Nästan 45 amerikanska sjukhus bidrar för närvarande med data till APACHE IV, en ny iteration av APACHE. I kontrast, i början av 2019, GOSSIS-färdiga datauppsättningar finns för intensivvårdsenheter i Argentina, Australien, Nya Zeeland, Bangladesh, Indien, Nepal, Sri Lanka, Brasilien, och 205 amerikanska sjukhus. I kombination med de internationella konsortiets medlemmar, GOSSIS-systemet kommer att tillhandahålla data från totalt mer än 1, 000 sjukvårdsinrättningar.

En ytterligare föreslagen fördel med GOSSIS:dess kostnadseffektivitet. Till skillnad från dyra APACHE-poäng, ofta utmanande att få för sjukhus med färre resurser och som inte kan anses vara helt analoga med rapporter från andra länder, GOSSIS kan nås, samt läggas till, gratis – en potentiell välsignelse för systemet, som med ökat och mer aktivt deltagande, själva algoritmen har den unika möjligheten att uppdateras regelbundet, och förbättrad.

"GOSSIS är ett viktigt initiativ av många anledningar, "säger Celi." Det främsta är dess öppen källkod, vilket möjliggör kontinuerlig utvärdering och omkalibrering av algoritmen. Detta är svårt med proprietära poängsystem och skulle vanligtvis åtföljas av att leverantörerna tar mer betalt för dessa tjänster. Det andra skälet är deltagande av ett mycket större antal länder som traditionellt lämnas utanför utvecklingen av sådana poäng. Genom att låta dessa länder bidra med data för att träna algoritmen, det är mer troligt att algoritmen kommer att fungera bra på deras befolkning."

Även om GOSSIS kommer att vara tillgängligt för alla sjukhus som söker tillgång, forskarna uppmuntrar så många intensivvårdsavdelningar som möjligt, över hela världen, att ladda upp sina data.

"Genom att bidra med sin egen kritiska vårddata, sjukhus ser till att de är väl representerade i algoritmen. Ofta samlar sjukhus in alla eller delar av dessa dataelement ändå, särskilt om de använder något annat poängsystem, säger Raffa.

Han tillägger att homogenitet inte kommer att vara en förutsättning för att ladda upp data. "Vi inser att inte alla kommer att ha perfekt data, och vi valde det tillvägagångssätt vi använde med detta i åtanke."

Badawi, chef för Health Data Science och AI på Philips Patient Care Analytics, hoppas att systemet kommer att få stor inverkan. "Om 10 år, vi skulle föreställa oss ett stort konsortium av data från varje region runt om i världen, vilket skulle möjliggöra att en mängd olika riskmodeller med öppen källkod finns tillgängliga i olika länder. "

I sina inledande stadier av adoption, GOSSIS har redan fått stor uppmärksamhet från det medicinska samfundet. Den 19 februari Raffa och hans kollegor tilldelades Silver Medal Award för sitt arbete av Society of Critical Care Medicine i San Diego. Reflekterar över priset, Raffa säger att han blev hedrad, särskilt som dataforskare, ska erkännas av en organisation av medicinsk personal.

"Att få laget erkänd med denna utmärkelse är en ära, och jag tror att det illustrerar väl att datavetenskap, särskilt när det görs i samarbete med läkare, kommer att ha en viktig roll i framtiden för klinisk forskning, "Säger Raffa.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.