Uusi tekoälyalgoritmi ennustaa kuolleisuusriskin potilaille, jotka kärsivät vakavan vamman

Uusi tekoälyalgoritmi ennustaa kuolleisuusriskin potilaille, jotka kärsivät vakavan vamman

Osakan yliopiston lääketieteellisen korkeakoulun traumatologian ja akuutin kriittisen lääketieteen laitoksen tutkijat ovat kehittäneet tekoälyalgoritmin ennustamaan kuolleisuusriskiä potilaille, joilla on vakavia vammoja. Käyttämällä Japan Trauma Data Bankia vuosille 2013–2017, he pystyivät saamaan tietoja yli 70 000 potilaasta, jotka olivat kärsineet tylppä voiman aiheuttamasta traumasta, minkä ansiosta tutkijat pystyivät tunnistamaan kriittisiä tekijöitä, jotka voisivat ohjata hoitostrategioita tarkemmin.
Päivystyshuoneiden onnettomuuslääkäreiden on tehtävä elämästä ja kuolemasta päätöksiä nopeasti ja usein hyvin rajallisilla tiedoilla. Osa haastetta on se, että haitallisten kliinisten tulosten todennäköisyyttä ennustavia tekijöitä ei täysin ymmärretä, ja joskus kehon omat tulehdukselliset ja veren hyytymismuutokset vastauksena vakavaan vammaan aiheuttavat enemmän haittaa kuin hyötyä. Traumahoitoon tarvitaan selkeästi tiukempaa ja kattavampaa lähestymistapaa.
Nyt Osaka University Graduate School of Medicine -tutkijaryhmä on analysoinut tietokannan kaikista Japanissa rekisteröidyistä traumatapauksista koneoppimisalgoritmeilla. Tämä sisälsi potilastietoja, kuten iän ja vamman tyypin. Lisäksi Osakan sairaalassa traumapotilaiden seerumista suoritettiin massaspektrometria ja proteomianalyysit. Tämä antoi tarkempaa tietoa veren merkkiaineista, jotka voivat viitata tiettyjen proteiinien lisääntymiseen tai laskuun.

Tutkimuksellamme on tärkeitä kliinisiä vaikutuksia. Se voi auttaa tunnistamaan suurimman riskin potilaat, jotka voisivat hyötyä eniten varhaisesta puuttumisesta."

Jotaro Tachino, tutkimuksen johtava kirjoittaja, Osakan yliopiston lääketieteellinen tiedekunta

Tiimi käytti tietojen hierarkkista klusterianalyysiä ja havaitsi, että 11 muuttujaa korreloivat vahvimmin lisääntyneen kuolleisuuden kanssa, mukaan lukien vamman tyyppi ja vakavuus. Lisäksi he näkivät, että suurimman riskin potilailla oli usein liiallista tulehdusta tai jopa akuuttia tulehdusvastetta. He löysivät myös proteiinimarkkereita, jotka merkitsivät vähentynyttä hyytymistä, mikä liittyi voimakkaasti negatiivisiin tuloksiin.
"Tässä projektissa käyttämäämme menetelmää voidaan laajentaa myös uusien hoitostrategioiden ja terapioiden kehittämiseen muihin sairauksiin, joista on saatavilla suuria tietokokonaisuuksia", sanoo vanhempi tutkija Hiroshi Ogura. Tämä työ voi merkittävästi optimoida niukkojen ensiaputerveydenhuollon resurssien kohdentamista ja säästää enemmän ihmisiä. Tiimi toivoo myös, että tämä tutkimus voi auttaa paljastamaan tapoja rauhoittaa tulehduksellisia reittejä, jotka voivat mennä käsistä traumaattisten vammojen jälkeen.

Lähde:

Osakan yliopisto

Viite:

Tachino, J., et ai. (2022) Kliinisten fenotyyppien ja biologisten profiilien kehittäminen traumapotilaiden proteomisen analyysin avulla. Tehohoito. doi.org/10.1186/s13054-022-04103-z.

.