Onderzoekers ontwikkelen een door AI aangedreven methode om longinfecties sneller te diagnosticeren

Onderzoekers ontwikkelen een door AI aangedreven methode om longinfecties sneller te diagnosticeren

Longinfecties zoals longontsteking behoren wereldwijd tot de belangrijkste doodsoorzaken, maar ze zijn notoir moeilijk te diagnosticeren.

Nu hebben onderzoekers van UC San Francisco een manier gevonden om deze infecties bij ernstig zieke patiënten te identificeren door generatieve AI-analyse van medische dossiers te combineren met een biomarker voor infecties van de lagere luchtwegen.

In een observationeel onderzoek onder ernstig zieke volwassenen stelde de combinatie 96 procent van de tijd een correcte diagnose en maakte het onderscheid tussen infectieuze en niet-infectieuze oorzaken van ademhalingsfalen nauwkeuriger dan IC-artsen. De auteurs schatten dat dit model, indien beschikbaar op het moment dat patiënten werden geïncludeerd, het ongepaste antibioticagebruik met meer dan 80% had kunnen verminderen.

“We hebben een methode ontwikkeld die veel sneller resultaten oplevert dan cultuur, en die gemakkelijk in de kliniek kan worden geïmplementeerd”, zegt Dr. Chaz Langelier, universitair hoofddocent geneeskunde en senior auteur van de studie die op 16 december werd gepubliceerd.Communicatie over de natuur.

We hebben er vertrouwen in dat dit kan leiden tot een snellere diagnose en het terugdringen van onnodig antibioticagebruik.”

Chaz Langelier, universitair hoofddocent geneeskunde, Universiteit van Californië – San Francisco

Een belangrijk kenmerk van het model is de biomarker die het team van Langelier in 2023 ontwikkelde. Ze ontdekten dat het een gen is dat ontstekingen moduleert, genaamdFABP4kan helpen bij het diagnosticeren van een infectie, omdat deze minder tot expressie komt in immuuncellen dan in normale longcellen.

In het huidige onderzoek werden gegevens van twee groepen ernstig zieke patiënten onderzocht: 98 werden gerekruteerd vóór de COVID-19-pandemie en de meesten hadden bacteriële infecties; 59 van hen werden gerekruteerd tijdens de pandemie en de meesten hadden virale infecties, waaronder COVID-19.

Eerst testten ze elke methode afzonderlijk –FABP4Biomarkers of AI – en ontdekten dat elk van hen ongeveer 80% van de tijd de juiste diagnose stelde. De onderzoekers vergeleken vervolgens de resultaten van het model met de diagnoses van de artsen die de patiënten op de intensive care van het ziekenhuis hadden opgenomen.

Deze artsen schreven antibiotica voor om longontsteking te behandelen aan de meeste van deze patiënten, terwijl het biomarker-plus-AI-model veel redelijker was bij het diagnosticeren van longontsteking.

Om de nauwkeurigheid van het model verder te testen, vergeleek het team de manier waarop de AI de medische dossiers analyseerde met de manier waarop drie verschillende artsen, gespecialiseerd in interne geneeskunde en infectieziekten, deze analyseerden. De AI werd uitgevoerd door GPT4 op een privacyplatform ontwikkeld bij UCSF.

Beiden kregen ongeveer hetzelfde aantal correcte diagnoses, maar de AI legde meer nadruk op radiologische rapporten op röntgenfoto's van de borstkas, terwijl de artsen zich concentreerden op klinische aantekeningen.

“Het liet bijna een cultureel verschil zien als je dat over een AI kunt zeggen”, zegt Natasha Spottiswoode, MD, DPhil, universitair docent geneeskunde, een van de eerste auteurs van het artikel. “Het laat zien hoe AI het werk van artsen kan aanvullen.”

Het team publiceerde hun AI-prompts in de krant en moedigde artsen aan om deze uit te proberen op hun eigen HIPAA-compatibele AI-platforms.

"Het is ongelooflijk eenvoudig te gebruiken, je hoeft geen bio-informaticus te zijn", zegt Hoang Van Phan, PhD, zelf bio-informaticus en eerste auteur van het artikel.

Het team valideert het model als een klinische test. Vervolgens richten ze zich op sepsis, de belangrijkste doodsoorzaak in ziekenhuizen, die ook notoir moeilijk te bepalen is.

Bronnen: