Künstliche Intelligenz bietet individualisierte Antikoagulationsentscheidungen für Vorhofflimmern
Fazit: Die Forscher des Mount Sinai entwickelten ein KI-Modell, um individuelle Behandlungsempfehlungen für Vorhofflimmern (AF) -Patienten-Helping-Kliniker genau zu entscheiden, ob sie mit Antikoagulanzien (Blutverdünneren Medikamente) zur Vorbeugung von Schlaganfällen in dieser Patientenpopulation vorhanden sind oder nicht. Dieses Modell zeigt einen völlig neuen Ansatz dafür, wie klinische Entscheidungen für AF -Patienten getroffen werden und eine mögliche Paradigmenverschiebung in diesem Bereich darstellen könnten.
In dieser Studie wurde das KI-Modell, das gegen Antikoagulans-Behandlung für bis zu der Hälfte der AF-Patienten empfohlen wurde, die es sonst auf der Grundlage von Standard-Care-Tools erhalten hätten, empfohlen. Dies könnte tiefgreifende Auswirkungen auf die globale Gesundheit haben.
Warum die Studie wichtig ist: AF ist der häufigste abnormale Herzrhythmus, der weltweit rund 59 Millionen Menschen betrifft. Während AF die oberen Kammern des Herzköchers, die es dem Blut ermöglichen, stagnieren und Gerinnsel formen. Diese Gerinnsel können dann entfernen und ins Gehirn gehen, was zu einem Schlaganfall führt. Blutverdünner sind die Standardbehandlung für diese Patientenpopulation, um Gerinnung und Schlaganfall zu verhindern. In einigen Fällen kann dieses Medikament jedoch zu großen Blutungsereignissen führen.
Dieses KI -Modell verwendet die gesamte elektronische Gesundheitsakten des Patienten, um eine individuelle Behandlungsempfehlung zu empfehlen. Es belastet das Risiko, einen Schlaganfall gegen das Risiko einer größeren Blutung zu haben (unabhängig davon, ob dies organisch oder infolge der Behandlung mit dem Blutverdünnerer auftreten würde). Dieser Ansatz zur klinischen Entscheidungsfindung ist im Vergleich zur aktuellen Praxis wirklich individuell, bei der Kliniker Risikowerte/-instrumente verwenden, die durchschnittlich die Risikoschätzungen gegenüber der untersuchten Patientenpopulation und nicht für einzelne Patienten liefern. Somit liefert dieses Modell eine Risikoschätzung auf Patientenebene, die dann eine individuelle Empfehlung unter Berücksichtigung der Vorteile und Behandlungsrisiken für diese Person verwendet.
Die Studie könnte den Ansatz revolutionieren, der die Kliniker zur Behandlung einer sehr häufigen Krankheit zur Minimierung von Schlaganfall und Blutungsereignissen revolutionieren könnte. Es spiegelt auch eine potenzielle Paradigmenänderung für die Art und Weise wider, wie klinische Entscheidungen getroffen werden.
Warum diese Studie einzigartig ist: Dies ist das erst bekannte individualisierte KI-Modell, das klinische Entscheidungen für AF-Patienten treffen soll tatsächliche klinische Merkmale. Es berechnet eine inklusive Net-N-N-N-N-N-N-Nefit-Empfehlung, um Schlaganfall und Blutungen zu mildern.
Wie die Forschung durchgeführt wurde: Die Forscher bildeten das KI -Modell für elektronische Gesundheitsakten von 1,8 Millionen Patienten über 21 Millionen Arztbesuche, 82 Millionen und 1,2 Milliarden Datenpunkte aus. Sie erzeugten eine Net-N-Nefit-Empfehlung, ob der Patienten mit Blutverdünnern behandelt werden soll oder nicht.
Um das Modell zu validieren, testeten die Forscher die Leistung des Modells bei 38.642 Patienten mit Vorhofflimmern innerhalb des Gesundheitssystems des Mount Sinai. Sie validierten das Modell auch extern auf 12.817 Patienten aus öffentlich verfügbaren Datensätzen aus Stanford.
Ergebnisse: Das Modell erzeugte Behandlungsempfehlungen, die mit dem mildernden Schlaganfall und der Blutung ausgerichtet waren. Es wurde rund die Hälfte der AF -Patienten neu klassifiziert, um keine Antikoagulation zu erhalten. Diese Patienten hätten Antikoagulanzien unter den aktuellen Behandlungsrichtlinien erhalten.
Was diese Studie für Patienten und Kliniker bedeutet: Diese Studie stellt eine neue Ära bei der Pflege von Patienten dar. Bei der Behandlung von AF -Patienten ermöglicht diese Studie personalisiertere, maßgeschneiderte Behandlungspläne.
Zitate:
„Diese Studie stellt eine tiefgreifende Modernisierung dar, wie wir die Antikoagulation bei Patienten mit Vorhofflimmern behandeln und das Paradigma der klinischen Entscheidungen verändern können“, sagt der entsprechende Autor Joshua Lampert, MD, Direktor des maschinellen Lernens am Mount Sinai Fuster Heart Hospital. „Dieser Ansatz überwindet die Notwendigkeit von Klinikern, Statistiken auf Bevölkerungsebene auf Personen zu extrapolieren und gleichzeitig den Nettovorteil für den einzelnen Patienten zu bewerten-das ist der Kern dessen, was wir als Kliniker erreichen möchten. Das Modell kann nicht nur die Anfangsempfehlungen, sondern auch dynamisch auf der Grundlage des Patienten mit dem Patienten die Empfehlungen des Patienten berechnen, wodurch sich die Empfehlungen für den Patienten mit einem Strok und zu den Empfehlungen für den Strocken und Zuschauern entschlüsseln. Die kognitive Belastung zwischen Schlaganfall und Blutungsrisiken, die nicht auf einen einzelnen Patienten zugeschnitten sind, vermeidet menschliche Arbeit, die für zusätzliche Datenerfassung erforderlich ist, und bietet diskrete verlässliche Risikoprofile, um die Beratungspatienten zu unterstützen. „
„Diese Arbeit zeigt, wie fortgeschrittene KI-Modelle Milliarden von Datenpunkten über die elektronische Gesundheitsakten synthetisieren können, um personalisierte Behandlungsempfehlungen zu generieren. Indem wir über die populationsbasierten Risikobewertungen von ‚One Size Passpits in Bevölkerung hinausgehen, können wir Klinikern nun klinischen patientspezifischen Wahrscheinlichkeiten für Schlaganfall und Blearing-Verschmelzung, die von der Verschmelzung von Vorhersagen und die Verschmelzung von Vorhersagen und eine echte Strategie, die eine echte Strategie zur Verschreibung von vorbereitetem und addiertem, additivieren, eine echte Strategien zur Verschreibung von Vorhaben bieten. Nadkarni, MD, MPH, Vorsitzender des Windreich Department of Artificial Intelligence and Human Health an der Icahn School of Medicine am Mount Sinai.
„Das Vermeiden von Schlaganfällen ist das wichtigste Ziel bei der Behandlung von Patienten mit Vorhofflimmern, einer Herz-Rhythmus-Störung, die schätzungsweise 1 von 3 Erwachsenen in ihrem Leben betrifft“, sagt der Co-Senior-Autor Vivek Reddy MD, Direktor der Kartenelektrophysiologie am Mount Sinai Fuster Heart Hospital. „Wenn zukünftige randomisierte klinische Studien zeigen, dass dieses KI vs Patienten mit geringem Risiko, wie in unserer Studie beobachtet, würde das Modell einen tiefgreifenden Einfluss auf die Patientenversorgung und die Ergebnisse haben. „
„Wenn Patienten Testergebnisse oder eine Behandlungsempfehlung erhalten, könnten sie fragen:“ Was bedeutet das speziell für mich? “ Wir haben eine neue Möglichkeit erstellt, diese Frage zu beantworten. vor Ihrem medizinischen Termin. Anstatt Ihnen nur zu sagen, was passieren könnte, zeigen wir Ihnen sowohl was als auch wie wahrscheinlich es Ihnen persönlich passieren wird. Dies gibt Ihnen und Ihrem Arzt ein klareres Bild Ihrer individuellen Situation, nicht nur zu allgemeinen Statistiken, die wichtige individuelle Faktoren verpassen können “, sagt Justin Kauffman Justin Kauffman, datenwissenschaftler bei der Windreich Department of Artificial Intelligence and Human Health.
Quellen:
