Dazu nutzen die Forscher Gesundheitsdaten tools schnell erkennen, sepsis bei Neugeborenen
Automatisierte Programme identifizieren können, die kranke Kinder in einer neonatologischen Intensivstation (NICU) sepsis Stunden vor der Kliniker erkennt die lebensbedrohliche Erkrankung. Ein team von Daten -, Forscher und Arzt-Wissenschaftler getestet machine-learning-Modelle in einer NICU-population, Zeichnung nur auf routinemäßig erhobenen Daten, die in elektronischen Patientenakten (EPA).
„Denn eine frühe Erkennung und rasche intervention ist unerlässlich in Fällen von sepsis, machine-learning-tools wie diese bieten das potential zur Verbesserung der klinischen Ergebnisse in diese Kinder,“ sagte ersten Autor Aaron J. Masino, Ph. D., der die Studie leitete Teams machine-learning-Anstrengungen. Masino ist ein assistant professor in der Abteilung von Anesthesiology und Kritische Sorgfalt-Medizin und Mitglied der Abteilung für Biomedical und medizinische informatik am Krankenhaus der Kinder von Philadelphia (CHOP). „Follow-up klinischer Studien erlauben es den Forschern zu beurteilen, wie gut solche Systeme in ein Krankenhaus.“
Das Forscherteam publizierte seine Ergebnisse in der retrospektiven Fall-Kontroll-Studie, Feb. 22 in PLOS ONE.
Eine der weltweit wichtigsten Ursache von Kindersterblichkeit und-Morbidität, sepsis beginnt mit einer bakteriellen invasion in die Blutbahn. Eine aggressive Reaktion des Immunsystems kann leider die Ursache für die progression zum septischen Schock, eine schwere systemische Erkrankung verursachen, die mehrere Organe Versagen, manchmal tödlich. Während relativ selten, bei gesunden, voll ausgetragenen Neugeborenen, sepsis Preise sind 200-mal höher ist bei Frühgeborenen oder chronisch hospitalisierten Säuglingen. Die überlebenden der Säugling sepsis leiden können langfristige Probleme wie chronische Lungenerkrankungen, neurologische Entwicklungsstörungen, Behinderungen und längere Krankenhausaufenthalte.
Die schnelle Diagnose der sepsis ist oft schwer hospitalisierten Säuglingen, die aufgrund von mehrdeutigen klinischen Zeichen und Ungenauigkeiten in den screening-tests. Verzögerungen bei der Anerkennung sepsis verursachen Verzögerungen bei der intervention, einschließlich einer Behandlung mit Antibiotika und unterstützende Pflege. Jedoch, unnötige Einsatz von Antibiotika birgt ganz eigene Risiken und erhöht die Antibiotika-Resistenz, so dass eine eindeutige frühe Diagnose ist wichtig.
Die aktuelle Studie zielte darauf ab, eine Maschine zu entwickeln-Lern-Modell in der Lage zu erkennen, sepsis bei Neugeborenen Säuglinge, die mindestens vier Stunden vor dem klinischen Verdacht. „Nach unserem wissen ist dies die erste Studie, zu untersuchen, Maschine lernen zu identifizieren, sepsis, bevor klinische Anerkennung, die nur mithilfe von routinemäßig erfassten EHR-Daten“, sagte Masino.
Maschinelles lernen verwendet, rechnerische und statistische Techniken zu trainieren rechnerische Modelle, Muster zu erkennen, die von der Daten -, dann führen Sie die gewünschte Aufgabe. In diesem Fall, so die Studie team bewertet, wie gut die acht machine-learning-Modelle waren in der Lage zu analysieren, Patienten-Daten, um vorherzusagen, die Säuglinge hatten eine sepsis. Denn die Daten kamen aus einer retrospektiven Stichprobe von Neugeborenen Säuglingen, die Forscher waren in der Lage zu vergleichen, jedes Modell Vorhersagen zu folgenden Ergebnissen—unabhängig davon, ob ein einzelner patient wurde festgestellt, entwickeln sepsis.
Die Studie team zog auf EHR-Daten von 618 Kinder in die HACKEN, NICU, von 2014 bis 2017. Viele der Kleinkinder in der Patienten-Register zu voreilig waren; die Kohorte hatte ein medianes Gestationsalter von 34 Wochen. Co-auftretende Bedingungen enthalten, chronische Lungenerkrankungen, angeborene Herzfehler, nekrotisierende Enterokolitis (eine schwere Darminfektion) und op-Bedingungen.
Unter den co-Autoren waren der Kinderarzt und der biomedizinischen informatik-Experte Robert W. Grundmeier, MD, und neonatologist und sepsis-Experte Mary Catherine Harris, MD. Beide stützte sich auf Ihre klinische Erfahrung und Kenntnisse in der medizinischen Literatur, um die Entwicklung in Gruppen von sepsis-related features in EHR-Daten. Masino, Grundmeier und Harris, zusätzlich zu Ihren HACKEN Positionen, auch sind Mitglieder der Fakultät von der Perelman School of Medicine an der University of Pennsylvania.
Grundmeier und Harris, der Studie führen Prüfärzten, entwickelt eine Liste von 36 Funktionen zugeordnet sind oder vermutet werden, verbunden mit dem Säugling sepsis. Diese Funktionen, gruppiert nach Vitaldaten, Labor-Werte, co-morbiditäten und klinische Faktoren, wie, ob ein Säugling war an ein Beatmungsgerät, wurden entnommen aus EHR-Einträge, und vorausgesetzt die input-Daten für die machine-learning-Modelle. „Die biomedizinische informatik-Spezialisten wie mich, die Zusammenarbeit mit unserem Arzt Kollegen, wählen Sie die relevanten features aus den EHR-Daten“, sagte Masino.
Sechs der acht Modelle Schnitten gut ab bei der exakten Vorhersage von sepsis bis zu vier Stunden vor der klinischen Erkennung der Erkrankung.