Машинное обучение снизило смертность в канадской больнице

Почти на 30 процентов

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 The Canadian Medical Association Journal, внедрение такой системы позволило сократить смертность в общетерапевтических отделениях почти на 30 процентов.

Считается, что неправильная оценка тяжести состояния пациента выступает основной причиной незапланированных переводов в отделения интенсивной терапии и реанимации, а также смертности. 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.

Ранее мы рассказывали про другое достижение машинного обучения в медицине. Так, оно помогло найти более 860 тысяч потенциальных пептидных антибиотиков, 63 из которых оказались активны против патогенных бактерий.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl+Enter.
Половое влечение оказалось не связано с уровнем тестостерона у здоровых мужчин

Их анализировали ежедневно в течение месяца