Пациенты больниц подвержены риску возникновения ряда опасных для жизни осложнений, особенно сепсиса - состояния, которое может убить в течение нескольких часов и является причиной каждой третьей внутрибольничной смерти.
У перегруженных работой врачей и медсестер часто остается мало времени на каждого пациента, и эта проблема может остаться незамеченной, пока не станет слишком поздно.
Научные круги и компании, занимающиеся ведением электронных медицинских карт, разработали автоматизированные системы, которые посылают напоминания о необходимости проверить пациентов на наличие сепсиса, но огромное количество предупреждений может заставить медицинских работников игнорировать или отключать эти уведомления. Исследователи пытались использовать машинное обучение для более точной настройки таких программ и уменьшения количества генерируемых ими предупреждений. И вот недавно один алгоритм доказал свою эффективность в реальных условиях, помогая врачам и медсестрам лечить больных сепсисом в среднем почти на два часа раньше и снижая уровень смертности при этом заболевании на 18 %.
Ежегодно сепсис развивается примерно у 1,7 миллиона взрослых только в США, и около 270 000 из них умирают. Хотя в большинстве случаев сепсис возникает за пределами стационара, это заболевание является основной причиной смертности пациентов в этих условиях. Для предотвращения наихудшего исхода крайне важно как можно быстрее выявить проблему. "Сепсис развивается очень быстро - в считанные часы, если не оказать своевременную помощь", - говорит Сути Сария, генеральный директор и основатель компании Bayesian Health, которая занимается разработкой алгоритмов машинного обучения для использования в медицине. "Я потеряла своего племянника из-за сепсиса. И в его случае, сепсис не был заподозрен, пока он не оказался на поздних стадиях так называемого септического шока..., когда выздороветь гораздо труднее".
Но в загруженной больнице быстро диагностировать сепсис может быть сложно. Согласно действующему стандарту лечения, объясняет Сария, медицинский работник должен обратить внимание, если у пациента наблюдаются любые два из четырех признаков сепсиса, включая лихорадку и спутанность сознания. Некоторые существующие системы оповещения предупреждают врачей, когда это происходит, но многие пациенты демонстрируют как минимум два из четырех критериев во время обычного пребывания в больнице, говорит Сария, добавляя, что это может дать программам оповещения высокий процент ложноположительных результатов.
"Многие другие программы имеют настолько высокий процент ложных срабатываний, что врачи отключают предупреждение, даже не обращая на него внимания", - говорит Карин Моландер, врач скорой помощи и председатель некоммерческой организации Sepsis Alliance, которая не принимала участия в разработке нового алгоритма обнаружения сепсиса. Поскольку тревожные признаки появляются довольно часто, врачи должны учитывать такие факторы, как возраст человека, его историю болезни и результаты последних лабораторных анализов. Сбор всей необходимой информации требует времени, которого, однако, у пациентов с сепсисом нет.
В хорошо налаженной системе электронных записей известные факторы риска сепсиса доступны, но на их поиск может потребоваться время. Именно здесь на помощь приходят алгоритмы машинного обучения. Несколько академических и промышленных групп обучают эти программы распознавать факторы риска сепсиса и других осложнений и предупреждать медицинских работников о том, какие пациенты находятся в особенно опасном положении.
Сария и ее коллеги из Университета Джона Хопкинса, где она руководит лабораторией машинного обучения в области здравоохранения, начали работу над одним из таких алгоритмов в 2015 году. Программа сканировала электронные медицинские карты пациентов на предмет выявления факторов, повышающих риск развития сепсиса, и объединяла эту информацию с текущими жизненными показателями и лабораторными анализами, чтобы создать оценку, указывающую на вероятность развития у пациентов септического шока. Несколько лет спустя Сария основала компанию Bayesian Health, где ее команда использовала машинное обучение для повышения чувствительности, точности и скорости своей программы, получившей название Targeted Real-Time Early Warning System (TREWS).
Совсем недавно Сария и группа исследователей оценили эффективность TREWS в реальных условиях. В течение двух лет программа была включена в рабочий процесс около 2 000 медицинских работников в пяти местах, входящих в систему здравоохранения Университета Джона Хопкинса (Johns Hopkins Medicine), охватывающую как хорошо оснащенные академические учреждения, так и муниципальные больницы. Врачи и медсестры использовали программу при более чем 760 000 взаимодействий с пациентами, в том числе более чем в 17 000 случаев развития сепсиса. Результаты этого испытания, которые свидетельствуют о том, что программа TREWS привела к более ранней диагностике сепсиса и снижению летальности, описаны в трех работах, опубликованных в конце прошлого месяца в журналах npj Digital Medicine и Nature Medicine.
"Я думаю, что эта модель машинного обучения может оказаться столь же важной для лечения сепсиса, как ЭКГ [электрокардиограмма] в диагностике сердечного приступа", - говорит Моландер. "Она позволит клиницисту перейти от компьютера..., пытающегося проанализировать информацию за 15 лет, вернуться к постели больного и провести повторную оценку состояния пациента более быстро, что нам и нужно".
TREWS - не первая программа, продемонстрировавшая свою ценность в подобных испытаниях. Марк Сендак, врач и ведущий специалист по здоровью населения в Институте инноваций в области здравоохранения Дьюка, работает над аналогичной программой под названием Sepsis Watch. Он отмечает, что другие системы машинного обучения, ориентированные на здравоохранение - и не обязательно созданные для выявления сепсиса - уже прошли крупномасштабные испытания. Одно из новаторских испытаний системы на основе искусственного интеллекта (ИИ) для диагностики осложнений диабета было разработано при участии Управления по контролю за продуктами и лекарствами США. Другие программы также были протестированы в различных больничных системах, отмечает он.
"Эти методы играют важную роль в улучшении качества обслуживания пациентов", - говорит Сендак, добавляя, что новая система "является еще одним примером этого". Он надеется увидеть еще больше исследований, в идеале - стандартизированных испытаний, которые предполагают поддержку исследований и руководство со стороны внешних партнеров, таких как FDA, которые не заинтересованы в результатах. Это сложная задача, поскольку крайне трудно разработать испытания систем машинного обучения в области здравоохранения. "Все, что касается алгоритма, его применения на практике и изучения того, как он используется и каково его влияние, - это феноменально", - говорит он. "И если это делается в рецензируемой литературе - это замечательно".
Как врача отделения неотложной помощи, Моландера впечатлил тот факт, что ИИ не принимает решения о сепсисе от имени медицинских работников. Вместо этого он устанавливает флажки в электронной медицинской карте пациента, так что когда врачи или медсестры проверяют карту, они видят запись о том, что пациент находится в группе риска по сепсису, а также список причин этого. В отличие от некоторых программ, система оповещения TRWES не мешает "врачу выполнять дальнейшую работу [на компьютере]", объясняет Моландер. У них есть небольшое напоминание в углу системы, говорящее: "Смотрите, у этого человека повышенный риск декомпенсации [отказа органов] из-за сепсиса, и вот причины, по которым, как мы считаем, вам следует беспокоиться". Это помогает занятым врачам и медсестрам определить, каких пациентов следует проверить в первую очередь, не лишая их возможности принимать собственные решения. "Они могут не согласиться, потому что мы не хотим лишать врача самостоятельности", - говорит Сария.
"Это инструмент для оказания помощи. Это не инструмент, чтобы указывать им, что делать".
В ходе исследования также были собраны данные о том, готовы ли врачи и медсестры использовать систему оповещения, такую как TREWS. Например, 89 % ее уведомлений были действительно приняты к рассмотрению, а не отклонены автоматически, как, по словам Моландера, происходит с некоторыми другими системами. Согласно пресс-релизу Bayesian Health, готовность медицинских работников проверить программу может быть связана с тем, что TREWS в 10 раз снижает высокий процент ложных предупреждений о сепсисе, уменьшая шквал предупреждений и облегчая определение того, какие пациенты находятся в реальной опасности. "Это потрясающе", - говорит Моландер. "Это действительно важно, потому что позволяет поставщикам услуг повысить доверие к машинному обучению".
Укрепление доверия важно, но также важен и сбор доказательств. Учреждения здравоохранения вряд ли примут системы машинного обучения без доказательств их эффективности. "В технологиях люди гораздо охотнее принимают новые идеи, если они верят в саму идею. Но в медицине, чтобы добиться масштабного внедрения, нужны строгие данные и проспективные исследования, подтверждающие утверждения", - говорит Сария.
"В некотором смысле мы создаем продукты, одновременно формируя доказательную базу и стандарты того, как должна проводиться работа и как потенциальные пользователи должны тщательно изучать создаваемые нами методы", - отмечает Сендак. Достижение широкого распространения любой алгоритмической системы оповещения является сложной задачей, поскольку в разных клиниках может использоваться различное программное обеспечение для ведения электронных записей или может уже существовать конкурирующая система. Многие больницы также имеют ограниченные ресурсы, что затрудняет оценку эффективности инструмента алгоритмического оповещения - или доступ к технической поддержке, когда такие системы неизбежно требуют ремонта, обновления или устранения неполадок.
Тем не менее, Сария надеется использовать данные новых испытаний для расширения использования TREWS. Она говорит, что налаживает партнерские отношения с несколькими компаниями, ведущими электронные записи, чтобы внедрить алгоритм в большее количество больничных систем. Она также хочет изучить, могут ли алгоритмы машинного обучения предупреждать о других осложнениях, с которыми люди могут столкнуться в стационарах. Например, некоторые пациенты должны находиться под наблюдением на случай остановки сердца, сильного кровотечения и пролежней, что может повлиять на состояние здоровья во время пребывания в клинике и восстановления после нее.
Мы много узнали о том, как выглядит "правильный ИИ", и опубликовали много материалов по этому вопросу. Но сейчас мы видим, что ИИ, сделанный правильно, действительно получает поддержку со стороны клиник", - говорит Сария. Включив программу ИИ в существующие системы учета, где она может стать частью рабочего процесса медицинского работника, "вы можете начать прокладывать свой путь через все эти виды возможного риска, чтобы улучшить результаты - что выгодно системе, выгодно пациенту и выгодно врачам".
