Машинное обучение снизило смертность в канадской больнице почти на 30 процентов. Это очередной триумф…

Машинное обучение снизило смертность в канадской больнице почти на 30 процентов. Это очередной триумф науки и научного прогресса:
машинное обучение спасло множество жизней.
Если говорить простым языком: способная к самообучению компьютерная программа использовала данные из электронных медицинских карт пациентов в режиме реального времени для прогнозирования ухудшения состояния.
При чтении таких новостей должна возникать радость — радость от того, что нам повезло жить в золотой век науки, золотой век научно обоснованной медицины, а не в тот период — который принято называть «эпохой героической медицины», когда медицина была сродни шарлатанству
(про эту страшную эпоху мы публиковали материал — см.
https://vk.com/wall-136637198_175371 ).

Машинное обучение (англ. machine learning, ML) — это совокупность методов, направленных на то, чтобы заставить искусственный интеллект (ИИ) учиться и действовать как человек, а также сделать так, чтобы ИИ сам постоянно улучшал свое обучение и способности на основе данных о реальном мире.

Канадские ученые проверили эффективность модели машинного обучения, в которой в реальном времени использовались данные из электронных медицинских карт пациентов для оценки тяжести их состояния. Как сообщается в научной статье в The Canadian Medical Association Journal, внедрение такой системы позволило сократить смертность в общетерапевтических отделениях почти на 30 процентов.

Clinical evaluation of a machine learning–based early warning system for patient deterioration. CMAJ September 16, 2024 196 (30) E1027-E1037; DOI: 10.1503/ cmaj.240132

Считается, что неправильная оценка тяжести состояния пациента выступает основной причиной незапланированных переводов в отделения интенсивной терапии и реанимации, а также смертности.
(см. Delayed Recognition of Deterioration of Patients in General Wards Is Mostly Caused by Human Related Monitoring Failures: A Root Cause Analysis of Unplanned ICU Admissions — doi 10.1371/ journal.pone. 0161393

Чтобы снизить число таких неправильных оценок, исследователи пытаются разработать статистические модели, способные предсказывать ухудшение состояния пациента. Однако из-за малого числа исследований эффективность таких инструментов остается неоднозначной, несмотря на широкое распространение подобных систем.

Исследовательская группа под руководством Амола Верма (Amol Verma) из Больницы Святого Михаила в Торонто изучила связь между внедрением многогранной системы прогнозирования рисков и раннего предупреждения, основанной на машинном обучении, и клиническими исходами среди пациентов в отделениях общего и специализированного профиля. Модель машинного обучения использовала данные из электронной медицинской карты пациента в режиме реального времени для прогнозирования ухудшения состояния.

Многомерная адаптивная регрессионная сплайновая модель определяла риск ухудшения состояния пациента как низкий, средний или высокий. Для пациентов с высоким риском была разработана и внедрена специальная схема оказания медицинской помощи, в то время как категории среднего и низкого риска были предоставлены для информирования клиницистов о состоянии пациента без какой-либо конкретной схемы лечения. Врачей и медсестер оповещали о том, что состояние пациента изменилось с помощью текстовых сообщений и электронных писем.

В исследование включили 13649 пациентов, поступивших в отделение общего профиля (9626 до внедрения системы оценки риска и 4023 — после), и 8470 пациентов, поступивших в специализированные отделения (6103 до внедрения и 2367 — после). Исходные характеристики когорт были хорошо сбалансированы, за исключением среднего возраста. После корректировки на сопутствующие факторы риска, смертность была значительно ниже в группе пациентов общего профиля после внедрения системы оценки риска (1,6 процента), чем в группе пациентов общего профиля до ее внедрения (2,1 процента; скорректированный относительный риск 0,74). При этом ученые не наблюдали существенной разницы в общей смертности, смертности в паллиативных отделениях или частоте переводов между отделениями (в том числе, в отделение интенсивной терапии). Также исследователи не обнаружили разницы в уровнях смертности до и после внедрения системы оценки риска в узкоспециализированных отделениях.

Кроме того, внедрение системы оценки рисков ассоциировалось с более частым назначением антибиотиков (28,9 процента до внедрения против 49,4 процентов после внедрения; р < 0,001) и системных глюкокортикоидов (10,4 процента против против 17 процентов; р = 0,001), а также более частым измерением показателей жизнедеятельности. По мнению авторов работы, внедрение системы, которая оценивает риски того, что состояние пациента может ухудшиться, вместе с возможностью раннего предупреждения врача может снизить смертность у госпитализированных больных. Дальнейшие исследования будут направлены на то, чтобы масштабировать результаты и выяснить причины несовершенства модели и путаниц в данных. Источник русского текста: статья издания Nplus1 - Машинное обучение снизило смертность в канадской больнице. Ранее в паблике "Доказательная медицина" было опубликовано: Перспективы медицины: рутинизация врачебных манипуляций, узкая специализация и искусственный интеллект. Отрывок из книги американского хирурга Атула Гаванде "Тяжелый случай. Записки хирурга". Впервые предположение, что компьютеры могут справляться с диагностикой лучше людей, было высказано в 1990 в статье Уильяма Бакста, на тот момент врача неотложной помощи Калифорнийского ун-та в Сан-Диего. Бакст описал «искусственную нейронную сеть»...Такие экспертные системы обучаются на своем опыте во многом так же, как и люди, усваивая обратную связь от каждого удачного или неудачного случая для повышения точности предположений. В следующем исследовании...компьютер играючи победил группу врачей при диагностике инфарктов у пациентов с болью в груди. https://vk.com/wall-136637198_128256 Чат-бот ChatGPT помог поставить диагноз ребенку с синдромом фиксированного спинного мозга - с этой задачей не справились 17 американских врачей Доктор Джесси Эренфельд, президент Американской медицинской ассоциации, считает что "подобно тому, как мы требуем доказательств того, что новые лекарства... безопасны и эффективны", мы должны требовать "доказательства безопасности и эффективности" применяемых в медицине компьютерных программ, работа которых основана на искусственном интеллекте (ИИ). https://vk.com/wall-136637198_123864 Чат-бот с искусственным интеллектом (ChatGPT): применение при розацеа ChatGPT (Чат Джи Пи Ти) в очередной раз показал: искусственный интеллект (ИИ) в медицине нужен. ChatGPT достигает высокой надежности от 92,22% до 97,78% при ответе на распространенные вопросы пациентов о розацеа. https://vk.com/wall-136637198_155339 Чат-бот с искусственным интеллектом (ChatGPT) превзошёл врачей-эндоскопистов в определении интервалов повторного скрининга и надзорной колоноскопии. https://vk.com/wall-136637198_160371 ИИ-инструменты в работе врача. Врач Татьяна Румянцева. Видео от Doc2Doc. https://vk.com/wall-136637198_176169