Диагностика и лечение инфекционных заболеваний с использованием ИИ

В этом выпуске ко мне присоединился доктор Санджит Канджалал, и мы обсудим, как машинное обучение может улучшить диагностику и лечение инфекционных заболеваний с помощью данных электронных медицинских карт (EHR). Мы поговорим о "живых" моделях и федеративном обучении.

Интерес доктора Канджалала к устойчивости к противомикробным препаратам привел его к использованию данных электронных медицинских карт, что открыло уникальную возможность для решения этой актуальной проблемы. Его первый проект заключался в объединении данных полногеномного секвенирования золотистого стафилококка (Staphylococcus aureus), распространенной причины инфекций кожи и мягких тканей, с большой базой данных EHR. Цель состояла в том, чтобы понять, какие типы пациентов сталкиваются с этими инфекциями, и связать эту информацию с их генетическими и геномными профилями, создавая основу для персонализированных подходов к лечению.

Эта работа показала ему возможность и потенциал извлечения данных EHR для получения информации о диагностике и лечении инфекционных заболеваний, что стало важным поворотным моментом в его карьере. Вдохновленный этим, он позвонил доктору Дэвиду Зонтагу из MIT, который сейчас является его давним партнером и соавтором их статьи в JAMA Network Open. Он предложил ему идею использовать машинное обучение на данных EHR для улучшения моделей прогнозирования, информирования принятия клинических решений и даже понимания результатов лечения, заложив основу для будущих исследовательских начинаний.

Использование данных EHR для расширенного анализа

Эффективное использование данных EHR начинается с глубокого понимания патофизиологии интересующего вас заболевания. Десятилетия исследований устойчивости к противомикробным препаратам показывают, что предшествующее воздействие антибиотиков и предшествующие инфекции влияют на вероятность развития у вас устойчивой к лекарствам инфекции в настоящее время. Эти основополагающие знания имеют решающее значение для эффективного использования данных EHR.

Сопоставьте эти характеристики с тем, что есть в данных EHR, убедившись, что соответствующая клиническая информация зафиксирована и используется. Кроме того, знайте, какие характеристики не наблюдаются и должны быть выведены, что жизненно важно для всестороннего анализа. Если есть хорошее совпадение, данные EHR можно использовать для моделирования процесса заболевания, обеспечивая основу для прогнозов и аналитических выводов.

Если заболевание возникает преимущественно вне клиник или больниц, данные EHR не будут полезны, что подчеркивает важность понимания контекста, в котором генерируются данные. К счастью, для устойчивости к противомикробным препаратам большинство факторов хорошо зафиксированы в данных EHR, что позволяет прогнозировать устойчивость к антибиотикам и результаты лечения. Это открывает значительную возможность для использования аналитических методов для улучшения ухода за пациентами.

Даже если данные существуют, данные EHR часто бывают беспорядочными, предвзятыми и содержат информативное цензурирование. Это означает, что люди выбывают из наблюдения не случайным образом. К этому нужно подходить осторожно, с применением защитных мер, которые позволяют получить интересные результаты, подобные тем, что представлены в нашей статье, что подчеркивает необходимость строгого и продуманного анализа.

Устранение предвзятости ИИ в здравоохранении

Важно развеять опасения, что ИИ воспроизведет предвзятости, что является серьезной проблемой в этой области. Я считаю, что для создания защитных мер по смягчению этих предубеждений необходим трехсторонний подход. Этот подход обеспечивает всестороннее и этичное использование ИИ в здравоохранении.

Медицинские общества, такие как Общество инфекционных болезней Америки и Американская кардиологическая ассоциация, должны уделять первоочередное внимание отношениям между пациентом и врачом, которые занимают центральное место в здравоохранении. Они также должны определять потребности врачей и пациентов выше развертывания ИИ, гарантируя, что технология служит наилучшим интересам тех, кому она призвана помогать. Это включает в себя введение защитных мер для снижения вероятности предвзятости ИИ, дискриминации и ошибочных прогнозов.

Исследователям необходимо активно изучать предубеждения, их неожиданные проявления, направленность и количественную оценку. Важно разрабатывать решения в области науки о данных для смягчения этих предубеждений, способствуя справедливому и равноправному применению ИИ. Эти активные исследования необходимы для выявления и устранения потенциальных ловушек.

Важно научить врачей критически, но не чрезмерно критически относиться к этим моделям, поскольку они часто являются целью этих моделей. Ключевыми моментами являются объяснимый ИИ, который позволяет моделям ИИ объяснять свои выводы, и маркировка неопределенности. Понимая, как ИИ приходит к своим выводам, и признавая ограничения, врачи могут принимать обоснованные решения и поддерживать доверие к технологии.

Исследование лечения неосложненных инфекций мочевыводящих путей

Многие факторы влияют на реакцию на лечение, в том числе вирулентность патогена, устойчивость к противомикробным препаратам, способность образовывать биопленки, сопутствующие заболевания и иммунная система. Несмотря на эти факторы, национальные рекомендации Общества инфекционных болезней Америки по лечению неосложненных инфекций мочевыводящих путей в последний раз обновлялись в 2011 году. Устаревший характер этих рекомендаций послужил причиной нашего исследования.

Эти рекомендации были основаны на исследованиях конца 90-х и начала 2000-х годов, что подчеркивает необходимость переоценки. Многие из этих исследований не были крупными рандомизированными контролируемыми исследованиями и проводились в популяциях, отличных от тех, что мы видим сегодня, что ставит под сомнение их применимость к нынешним пациентам. Это подчеркивает важность обновления рекомендаций, чтобы они отражали современные демографические данные пациентов и варианты лечения.

Мотивацией для этого исследования была переоценка того, применимы ли эти рекомендации к современным популяциям, чтобы пациенты получали наиболее эффективный и надлежащий уход. Мы использовали большую базу данных претензий от Independence Blue Cross, в основном в Пенсильвании, отформатированную в Общую модель данных Observation Medical Outcomes Partnership (OMOP). Этот набор данных обеспечил прочную основу для нашего анализа.

Выводы и будущая реализация

Данные были проанализированы двумя способами: эксперты в предметной области отобрали прогностические признаки, обеспечив интеграцию клинического опыта в анализ, и программный пакет, разработанный доктором Дэвидом Зонтагом в MIT, автоматически построил признаки на основе данных OMOP. Такой двойной подход позволил провести всестороннее и непредвзятое изучение данных. Рекомендации IDSA по лечению неосложненных инфекций мочевыводящих путей по-прежнему рекомендуют отличные антибиотики, что обнадеживает в отношении современной практики.

Антибиотики первой линии могут быть связаны с несколько более низким риском побочных эффектов и так же эффективны, как и методы лечения второй линии, что поддерживает использование терапии, соответствующей рекомендациям. Используя программный пакет, мы смогли воспроизвести то, что эксперты в предметной области выбрали в качестве наиболее важных признаков, продемонстрировав потенциал автоматизированного выбора признаков. Это подчеркивает ценность интеграции как экспертных знаний, так и методов машинного обучения в исследованиях.

Выходные данные модели были практически идентичны выходным данным модели, которую мы разработали вручную, что подчеркивает эффективность и точность машинного обучения в этом контексте. Это повышает вероятность проведения исследований такого типа с использованием наблюдательных данных на более простой основе. Это снижает барьер для проведения анализов такого типа, позволяя нам постоянно обновлять результаты по мере поступления новых данных.

Я хотел бы построить вторую модель, которая изучает предпочтения врачей и предоставляет персонализированный AI-рекомендатель, ориентированный на врачей. Самая сложная часть - это реализация в системе электронных медицинских карт, поскольку существующие EHR построены на устаревших архитектурах данных и предназначены для учета счетов, а не для анализа данных. Чтобы по-настоящему персонализировать и оптимизировать рекомендации по лечению, важно зафиксировать нюансы принятия решений врачами.

Представляя будущее систем EHR

Чтобы реализовать потенциал ИИ, нам нужно построить что-то действительно прорывное с нуля, что требует фундаментального сдвига в том, как разрабатываются системы EHR. Потребуется длительный период финансирования и государственной поддержки, чтобы открыть путь для внедрения в системы здравоохранения. Преодоление этих барьеров имеет решающее значение для развития технологий здравоохранения.

Марк Кубан сделал это с Cost Plus Drugs. Имея 20 сотрудников, длительный период финансирования и огромное влияние за три года, это абсолютно возможно. Этот пример дает надежду и вдохновение на то, что можно достичь при наличии правильных ресурсов и видения.

Представьте себе EHR, которая ставит диагнозы вместе с вами, предоставляя данные, которые вам нужны, используя ту же информацию, что и вы. Она может научиться этому, и выставление счетов становится простым, как только все остальное будет на месте. Представление такой системы мотивирует к поиску инновационных решений.

"Живые" модели и постоянное обновление руководств

Машинное обучение может помочь поддерживать актуальность рекомендаций, хотя и с некоторыми оговорками. Уже существуют наборы "живых" рекомендаций по лечению различных синдромов в сообществе инфекционных заболеваний. Постоянные обновления могут обеспечить актуальность и эффективность практики здравоохранения.

Если бы у нас была инфраструктура данных для постоянного накопления, очистки, обработки и создания моделей из существующих потоков данных, мы могли бы построить "живую" модель. Эта модель будет периодически обновляться по мере поступления новых данных, чтобы предоставлять гиперлокализованные, современные рекомендации. Такая динамичная система преобразит способы разработки и внедрения клинических рекомендаций.

С общими моделями данных и федеративным обучением это вполне достижимо. Ключевые выводы включают в себя потенциал машинного обучения в здравоохранении, важность устранения предубеждений и необходимость инновационных систем EHR. Эти достижения обещают значительно улучшить уход за пациентами и результаты лечения.