Korištenje sustava umjetne inteligencije u predviđanju stanja akutne ozljede bubrega; istraživanje

Algoritam je ukupno uspio predvidjeti akutnu ozljedu bubrega s 55.8% točnosti, no ta se brojka povisila na čak 90.2% u slučajevima koji su bili toliko ozbiljni da bi kasnije zahtijevali dugotrajnu dijalizu.

AUTOR: Scientific American
OBJAVLJENO: 01.08.19 u 16:11
http://bit.ly/2YlGbu0
Jedan od najčešćih uzroka smrti u bolnicama je akutna ozljeda bubrega (AKI), iznenadni gubitak funkcije organa vitalnog za pročišćavanje krvi. AKI, možda poznatiji po starom nazivu – akutno zatajenje bubrega, je samo u SAD-u pogodio gotovo četiri milijuna ljudi 2014. godine, prema podacima američkog Centra za kontrolu i prevenciju bolesti, a ono je uzrok stotinama tisuća smrtnih slučajeva godišnje. Ljudi koji prežive ovo stanje često trebaju višemjesečne ili čak višegodišnje terapije dijalize koje su jako skupe. U nadi da će uspjeti spriječiti da se ovo stanje uopće dogodi, znanstvenici su razvili sustav umjetne inteligencije koji može prepoznati rizične pacijente čak danima prije nego što se zatajenje dogodi.

Sprječavanje akutne ozljede bubrega veliki je izazov za liječnike zato što njegovi uzroci variraju. "Ovo stanje se tipično događa tijekom velikih operativnih zahvata, zbog komplikacija nastalih zbog operacije i zbog sepse", tvrdi Joseph Vassalotti, nefrolog i glavni liječnik u Nacionalnoj zakladi za bubrege, koji nije sudjelovao u razvoju ovog sustava umjetne inteligencije. "Akutna ozljeda bubrega pojavljuje se i kao nuspojava određenih lijekova i imunoloških odgovora na njihovo konzumiranje". Drugi uzroci su blokada mokraćnog sustava, komplikacije od opekotina i srčani udari – što su stanja koja se često događaju u bolnicama.

Akutna ozljeda bubrega može se dogoditi jako brzo i bez većih prethodnih upozorenja. Povećanje kreatinina u krvi označava akutni pad bubrežne funkcije, a dok liječnici otkriju njegovu povišenost ovo stanje se već može dogoditi. Često je jedina opcija samo ublažavanje štete nastale ovim stanjem.

Znanstvenici DeepMind Healtha, odjela Googleove tvrtke DeepMind za razvoj umjetne inteligencije, su se stoga odlučili razviti sustav umjetne inteligencije koji bi mogao pomoći u dijagnosticiranju ovog stanja, objavio je Scientific American. Osmislili su algoritam umjetne inteligencije kojim bi se mogli identificirati čimbenici koji pokazuju da bi netko mogao doživjeti akutnu ozljedu bubrega – i uspjeli su ga predvidjeti čak 48 sati prije nego što se on dogodi. Algoritam je ukupno uspio predvidjeti akutnu ozljedu bubrega s 55.8% točnosti, no ta se brojka povisila na čak 90.2% u slučajevima koji su bili toliko ozbiljni da bi kasnije zahtijevali dugotrajnu dijalizu. Istraživanje o ovom dostignuću objavljeno je u časopisu Nature.

Kako bi podučili ovaj algoritam, znanstvenici su iskoristili uzorak anonimnih elektroničkih zdravstvenih kartona 703.782 pacijenta iz Odjela za pitanja američkih veterana. Ti kartoni su sadržavali više od 600.000 različitih zdravstvenih pokazatelja koje je sustav umjetne inteligencije mogao iskoristiti – rezultate krvnih pretraga, vitalne znakove, recepte za lijekove, prethodne postupke liječenja, kao i informacije povezane s postupcima liječenja – prebacivanje između bolničkih odjela, prijemi na odjel intenzivne njege i slično. Znanstvenici su prvo morali suziti broj čimbenika po njihovoj važnosti. "Iskoristili smo snagu dubokog učenja kako bismo pronašli prave simptome u velikoj količini podataka", objašnjava Nenad Tomašev, znanstvenik koji radi u DeepMindu. Naposljetku su identificirali 4.000 relevantnih čimbenika koji bi mogli imati ulogu u predviđanju akutne ozljede bubrega.

Ispitivanjem ovih indikatora, algoritam može izračunati koliko je stanje određenog pacijenta rizično dosta prije nego što se ozljeda bubrega dogodi. "Bolničari su zbog toga mogli prijeći s reaktivnog djelovanja na predviđanje ovog stanja dva dana prije nego što se ono desi – a to je posljedica velikog broja podataka koje je proučio sustav umjetne inteligencije", kaže Dominic King, voditelj odjela DeepMind Health. Ovo dodatno vrijeme liječnici mogu iskoristiti za sprječavanje ili ublažavanje opasnosti. Na primjer, oni mogu poduzeti zaštitne mjere kao što je davanje većih količina infuzije ili diuretika, ili pak provjeriti i osigurati da pacijent ne koristi lijek koji je šteta za bubrege. Pored toga, oni mogu brže riješiti komplikacije koje nastaju zbog slabljenja i gubitka bubrežne funkcije.

Iako smatra da ovo istraživanje mnogo obećava, Vassalotti je još uvijek skeptičan oko praktične primjene ovog algoritma u tipičnim bolničkim uvjetima. On naglašava i da su zdravstveni kartoni iz Odjela za pitanja američkih veterana daleko detaljnija i sadrže mnogo više informacija od tipičnih zdravstvenih kartona te da se ovi pacijenti daleko bolje prate kroz ustanove za liječenje, što je jedan od glavnih razloga zašto su znanstvenici u DeepMindu željeli raditi upravo s ovim podacima. Bi li algoritam bio jednako učinkovit u uobičajenim situacijama u kojima bolničar nema toliko detaljnu medicinsku dokumentaciju?

Vassalotti navodi još dva razloga za brigu kada je u pitanju ovo istraživanje i algoritam: nizak broj žena u ispitivanju (žene su činile samo 6% uzorka) i veliki broj lažno pozitivnih rezultata. "Algoritam se mora poboljšati kroz dodatna istraživanja kako bi se smanjio broj lažno pozitivnih slučajeva", kaže. King, s druge strane, kaže kako lažno pozitivni rezultati nisu "stvaran i opipljiv problem", jer je otprilike pola slučajeva ozljeda bubrega bila ispravno pogođena – samo je predviđena 48 sati ranije – ili su u pitanju bili "zaostajući lažno pozitivni rezultati", što znači da se dogodila epizoda stanja akutne ozljede bubrega i da model predviđa povećani rizik neko vrijeme nakon što se ona dogodi. "Od preostalih 50%, većina slučajeva je bila kod ljudi koji već imaju problem s bubrezima".

Znanstvenici koji stoje iza ovog istraživanja, kažu da je njihov program još uvijek u ranoj fazi, ali da ga planiraju poboljšati, budući da je riječ o važnoj prekretnici u bolničkoj primjeni umjetne inteligencije. Postoji i plan primjene u prognoziranju drugih zdravstvenih stanja. "Sepsa, zatajenje jetre, komplikacije zbog dijabetesa" samo su neki od primjera. "Vidimo ogroman potencijal da se [ovaj algoritam] primijeni na druga stanja koja bi se mogla spriječiti", zaključio je King.


Prevela: Ružica Ereš