Ny AI-algoritme forudsiger dødelighedsrisiko for patienter, der lider af en alvorlig skade

Ny AI-algoritme forudsiger dødelighedsrisiko for patienter, der lider af en alvorlig skade

Forskere fra afdelingen for traumatologi og akut kritisk medicin ved Osaka University Graduate School of Medicine har udviklet en AI-algoritme til at forudsige dødelighedsrisiko for patienter med alvorlige skader. Ved at bruge Japan Trauma Data Bank for 2013 til 2017 var de i stand til at få optegnelser over over 70.000 patienter, der havde lidt stump force traumer, hvilket gjorde det muligt for forskere at identificere kritiske faktorer, der kunne styre behandlingsstrategier mere præcist.
Ulykkeslæger på skadestuer skal træffe beslutninger om liv og død hurtigt og ofte med meget begrænset information. En del af udfordringen er, at de faktorer, der forudsiger sandsynligheden for uønskede kliniske resultater, ikke er fuldt ud forstået, og nogle gange forårsager kroppens egne inflammatoriske og blodkoagulationsændringer som reaktion på alvorlige skader mere skade end gavn. Der er helt klart behov for en mere stringent og omfattende tilgang til traumebehandling.
Nu har et team af forskere fra Osaka University Graduate School of Medicine analyseret en database over alle traumetilfælde registreret i Japan ved hjælp af maskinlæringsalgoritmer. Dette omfattede patientoplysninger såsom alder og type af skade. Derudover blev der udført massespektrometri og proteomiske analyser på serum fra traumepatienter på Osaka Hospital. Dette gav mere specifik information om blodmarkører, der kunne indikere en stigning eller et fald i visse proteiner.

Vores undersøgelse har vigtige kliniske implikationer. Det kan hjælpe med at identificere de patienter, der har størst risiko, som kunne drage størst fordel af tidlig intervention."

Jotaro Tachino, hovedforfatter af undersøgelsen, Graduate School of Medicine, Osaka University

Holdet brugte hierarkisk klyngeanalyse af dataene og fandt ud af, at 11 variabler var stærkest korreleret med øget dødelighed, inklusive type og sværhedsgrad af skade. Derudover så de, at patienter med størst risiko ofte havde overdreven betændelse eller endda en akut inflammatorisk reaktion. De fandt også proteinmarkører, der signalerede nedreguleret koagulation, hvilket var stærkt forbundet med negative resultater.
"Den metodologi, vi brugte til dette projekt, kan også udvides til udvikling af nye behandlingsstrategier og terapier for andre sygdomme, for hvilke der er store datasæt til rådighed," siger seniorforfatter Hiroshi Ogura. Dette arbejde kan markant optimere allokeringen af ​​knappe akutte sundhedsressourcer for at redde flere mennesker. Holdet håber også, at denne forskning kan hjælpe med at afsløre måder til at berolige inflammatoriske veje, der kan komme ud af kontrol efter traumatiske skader.

Kilde:

Osaka Universitet

Reference:

Tachino, J., et al. (2022) Udvikling af kliniske fænotyper og biologiske profiler gennem proteomisk analyse af traumepatienter. Intensiv pleje. doi.org/10.1186/s13054-022-04103-z.

.