Suche
Mein Konto
Nieuw AI-algoritme voorspelt het sterfterisico voor patiënten met ernstig letsel
Wetenschappers van de afdeling Traumatologie en Acute Kritische Geneeskunde van de Osaka University Graduate School of Medicine hebben een AI-algoritme ontwikkeld om het sterfterisico voor patiënten met ernstig letsel te voorspellen. Met behulp van de Japan Trauma Data Bank voor de periode 2013 tot 2017 konden ze gegevens verkrijgen van meer dan 70.000 patiënten die een stomp trauma hadden opgelopen, waardoor onderzoekers kritische factoren konden identificeren die behandelstrategieën nauwkeuriger konden sturen. Ongevallenartsen op de spoedeisende hulp moeten snel en vaak met zeer beperkte informatie beslissingen nemen over leven en dood. Een deel van de uitdaging is dat de factoren die van invloed zijn op de...
Nieuw AI-algoritme voorspelt het sterfterisico voor patiënten met ernstig letsel
Wetenschappers van de afdeling Traumatologie en Acute Kritische Geneeskunde van de Osaka University Graduate School of Medicine hebben een AI-algoritme ontwikkeld om het sterfterisico voor patiënten met ernstig letsel te voorspellen. Met behulp van de Japan Trauma Data Bank voor de periode 2013 tot 2017 konden ze gegevens verkrijgen van meer dan 70.000 patiënten die een stomp trauma hadden opgelopen, waardoor onderzoekers kritische factoren konden identificeren die behandelstrategieën nauwkeuriger konden sturen.
Ongevallenartsen op de spoedeisende hulp moeten snel en vaak met zeer beperkte informatie beslissingen nemen over leven en dood. Een deel van de uitdaging is dat de factoren die de waarschijnlijkheid van ongunstige klinische uitkomsten voorspellen, niet volledig worden begrepen, en dat soms de lichaamseigen ontstekings- en bloedstollingsveranderingen als reactie op ernstig letsel meer kwaad dan goed veroorzaken. Er is duidelijk behoefte aan een meer rigoureuze en alomvattende aanpak van traumazorg.
Nu heeft een team van onderzoekers van de Osaka University Graduate School of Medicine een database geanalyseerd van alle traumagevallen die in Japan zijn geregistreerd met behulp van machine learning-algoritmen. Dit omvatte patiëntinformatie zoals leeftijd en type letsel. Daarnaast werden massaspectrometrie en proteomische analyses uitgevoerd op serum van traumapatiënten in het Osaka Hospital. Dit leverde meer specifieke informatie op over bloedmarkers die zouden kunnen duiden op een toename of afname van bepaalde eiwitten.
Onze studie heeft belangrijke klinische implicaties. Het kan helpen bij het identificeren van de patiënten met het hoogste risico die het meeste baat zouden kunnen hebben bij vroegtijdige interventie.”
Jotaro Tachino, hoofdauteur van de studie, Graduate School of Medicine, Universiteit van Osaka
Het team gebruikte hiërarchische clusteranalyse van de gegevens en ontdekte dat elf variabelen het sterkst gecorreleerd waren met hogere sterftecijfers, waaronder het type en de ernst van het letsel. Bovendien zagen ze dat patiënten met het hoogste risico vaak overmatige ontstekingen of zelfs een acute ontstekingsreactie hadden. Ze vonden ook eiwitmarkers die een neerwaarts gereguleerde stolling signaleerden, wat sterk geassocieerd was met negatieve resultaten.
“De methodologie die we voor dit project hebben gebruikt, kan ook worden uitgebreid naar de ontwikkeling van nieuwe behandelingsstrategieën en therapieën voor andere ziekten waarvoor grote datasets beschikbaar zijn”, zegt senior auteur Hiroshi Ogura. Dit werk kan de toewijzing van schaarse middelen voor de eerste hulp aanzienlijk optimaliseren om meer mensen te redden. Het team hoopt ook dat dit onderzoek kan helpen manieren te onthullen om ontstekingsroutes te kalmeren die uit de hand kunnen lopen na traumatische verwondingen.
Bron:
Referentie:
Tachino, J., et al. (2022) Ontwikkeling van klinische fenotypes en biologische profielen door proteomische analyse van traumapatiënten. Intensieve zorg. doi.org/10.1186/s13054-022-04103-z.
.