Patiënten hebben 20% minder kans om te overlijden aan sepsis omdat een nieuw AI-systeem symptomen uren eerder detecteert dan traditionele methoden, blijkt uit nieuw onderzoek.

Het systeem doorzoekt medische dossiers en klinische aantekeningen om patiënten te identificeren die risico lopen op levensbedreigende complicaties. Het werk, dat de patiëntsterfte aanzienlijk zou kunnen verminderen als een van de belangrijkste oorzaken van sterfgevallen in ziekenhuizen wereldwijd, is gepubliceerd in: Natuurgeneeskunde en Natuur Digitale Geneeskunde.

“Het is de eerste keer dat AI wordt geïmplementeerd aan het bed, gebruikt door duizenden providers, en waar we levens zien gered”, zegt Suchi Saria, oprichter van het Malone Center for Engineering in Healthcare aan de Johns Hopkins University, en hoofdauteur van de onderzoeken, die in twee jaar tijd meer dan een half miljoen patiënten evalueerden.

“Dit is een buitengewone sprong die jaarlijks duizenden sepsispatiënten zal redden. En de aanpak wordt nu toegepast om de resultaten te verbeteren in andere belangrijke probleemgebieden buiten sepsis.”

Sepsis treedt op wanneer een infectie een kettingreactie veroorzaakt door het hele lichaam. Ontsteking kan leiden tot bloedstolsels en lekkende bloedvaten en kan uiteindelijk leiden tot orgaanschade of orgaanfalen. Elk jaar krijgen in de Verenigde Staten ongeveer 1,7 miljoen volwassenen sepsis en meer dan 250.000 van hen sterven.

Sepsis is gemakkelijk te missen omdat symptomen zoals koorts en verwarring vaak voorkomen bij andere aandoeningen, zegt Saria. Hoe sneller het wordt gepakt, hoe groter de overlevingskansen van een patiënt.

“Een van de meest effectieve manieren om de resultaten te verbeteren, is vroege detectie en het tijdig geven van de juiste behandelingen, maar historisch gezien was dit een moeilijke uitdaging vanwege het gebrek aan systemen voor nauwkeurige vroege identificatie”, zegt Saria, die leiding geeft aan de Machine Learning-afdeling. en Healthcare Lab bij Johns Hopkins.

Constante sepsis-tracking

Om het probleem aan te pakken, hebben Saria en collega’s het Targeted Real-Time Early Warning System ontwikkeld. Door de medische geschiedenis van een patiënt te combineren met de huidige symptomen en laboratoriumresultaten, laat het machine-learningsysteem clinici zien wanneer iemand risico loopt op sepsis en stelt het behandelingsprotocollen voor, zoals het starten van antibiotica.

De AI volgt patiënten vanaf het moment dat ze in het ziekenhuis aankomen tot aan het ontslag, zodat kritieke informatie niet over het hoofd wordt gezien, zelfs als het personeel verandert of een patiënt naar een andere afdeling verhuist.

Tijdens het onderzoek gebruikten meer dan 4.000 clinici uit vijf ziekenhuizen de AI bij de behandeling van 590.000 patiënten. Het systeem beoordeelde ook 173.931 eerdere patiëntcasussen.

In 82% van de sepsisgevallen was de AI bijna 40% van de tijd accuraat. Eerdere pogingen om elektronische hulpmiddelen te gebruiken om sepsis te detecteren, vingen minder dan de helft van het aantal gevallen op en waren 2% tot 5% van de tijd nauwkeurig. Alle gevallen van sepsis worden uiteindelijk gepakt, maar met de huidige zorgstandaard doodt de aandoening 30% van de mensen die het ontwikkelen.

In de meest ernstige gevallen van sepsis, waarbij een uur vertraging het verschil is tussen leven en dood, detecteerde de AI het gemiddeld bijna zes uur eerder dan traditionele methoden.

“Dit is in veel opzichten een doorbraak”, zegt co-auteur Albert Wu, een internist en directeur van het Johns Hopkins Center for Health Services and Outcomes Research. “Tot nu toe hebben de meeste van dit soort systemen veel vaker verkeerd geraden dan dat ze het goed hebben gedaan. Die valse alarmen ondermijnen het vertrouwen.”

Adaptieve benadering

In tegenstelling tot conventionele benaderingen, stelt het systeem artsen in staat om te zien waarom de tool specifieke aanbevelingen doet.

Het werk is uiterst persoonlijk voor Saria, die als jongvolwassene haar neefje verloor aan sepsis.

“Sepsis ontwikkelt zich heel snel en dit is wat er gebeurde in het geval van mijn neef”, zegt ze. “Toen artsen het ontdekten, verkeerde hij al in een septische shock.”

Bayesian Health, een spin-off van Johns Hopkins, leidde en beheerde de implementatie op alle testlocaties. Het team werkte ook samen met de twee grootste leveranciers van elektronische patiëntendossiers, Epic en Cerner, om ervoor te zorgen dat de tool in andere ziekenhuizen kan worden geïmplementeerd.

Het team heeft de technologie aangepast om patiënten te identificeren die risico lopen op decubitus, algemeen bekend als doorligwonden, en patiënten die risico lopen op plotselinge verslechtering veroorzaakt door bloedingen, acute ademhalingsinsufficiëntie en hartstilstand.

“De benadering die hier wordt gebruikt, is fundamenteel anders”, zegt Saria. “Het is adaptief en houdt rekening met de diversiteit van de patiëntenpopulatie, de unieke manieren waarop artsen en verpleegkundigen zorg verlenen op verschillende locaties, en de unieke kenmerken van elk gezondheidssysteem, waardoor het aanzienlijk nauwkeuriger kan zijn en het vertrouwen van de zorgverleners en adoptie.”

Extra co-auteurs zijn van de Universiteit van Californië, San Francisco; Howard County General Hospital en Suburban Hospital, beide in Maryland; en Johns Hopkins.

De Gordon en Betty Moore Foundation, de National Science Foundation Future of Work at the Human-technology Frontier en de Alfred P. Sloan Foundation hebben het werk gefinancierd.

Bron: Johns Hopkins University


0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published.