Naar content

De onderzoekers van de Emory University gebruiken Google Cloud voor sepsisprognoses bij patiënten op de intensivecareafdeling

Door klinische gegevens, machine learning en de schaalbare infrastructuur van Google Cloud te combineren, gebruikt de sepsisprognose-engine van de Emory University realtime analysegegevens om betere zorg te bieden aan risicopatiënten terwijl de medische kosten worden beperkt.

Sepsis, een reactie van het immuunsysteem op een infectie, is een van de dodelijkste en duurste aandoeningen voor ziekenhuizen in de Verenigde Staten. Jaarlijks worden er ongeveer 750.000 Amerikanen door getroffen. Vroegtijdige detectie en voorkoming kan veel levens redden en geld en hulpmiddelen besparen, maar er is nog geen betrouwbare manier om een snelle diagnose voor sepsis te stellen. Dr. Shamim Nemati en dr. Ashish Sharma van de afdeling Biomedische informatica van de faculteit Geneeskunde van Emory University hanteren een interessante benadering van deze uitdaging. Dr. Nemati heeft met behulp van geanonimiseerde, elektronische gezondheidsdossiers van 30.000 patiënten op de intensivecareafdeling van Emory een KI-engine ontwikkeld waarmee 65 relevante variabelen worden geanalyseerd, zoals vitale functies, demografische patiëntgegevens en labresultaten. Door de gegevensstroom van een patiënt doorlopend met intervallen van vijf minuten te volgen, kan de prognose-engine in realtime een samengestelde score opstellen, waarmee de kans op sepsis wordt voorspeld. De bevindingen worden voor de artsen weergegeven op een dashboard. Aangezien vroegtijdige detectie essentieel is, kunnen artsen de score en informatie gebruiken om in te schatten wanneer antibiotica het effectiefst werkt.

"Door ons op TensorFlow gebaseerde algoritme voor sepsisprognose om te zetten in een app en deze app uit te voeren via de Google App Engine, hebben we alle infrastructuurvereisten weggenomen die anders nodig zouden zijn voor de uitvoer en opschaling van de implementatie. We hebben ons nu volledig kunnen richten op de verbetering van het algoritme."

Shamim Nemati, Assistent-professor, afdeling Biomedische informatica, Emory University

Een essentiële zorgoplossing

De engine bevat drie essentiële onderdelen: de binnenkomende en opgeslagen gegevenssets, het KI-algoritme dat de gegevens analyseert en een frontend-gebruikersinterface voor artsen. De gegevensinvoer en -opslag zijn erg complex: tientallen megabytes aan gegevens met hoge resolutie (zoals bloeddrukgegevens en gegevens over zuurstofopname) voor elke patiënt moeten van een datum en tijd worden voorzien, veilig en privé worden gehouden, en meteen worden verwerkt om snel resultaten te kunnen bieden voor kritieke omstandigheden. Vervolgens produceert de engine een samengestelde Sepsis Risk Score (risicoscore voor sepsis) die wordt weergegeven op een dashboard dat makkelijk af te lezen is voor artsen. Een alarmsysteem laat de arts weten wanneer een patiënt een drempel bereikt en sepsis kan oplopen. Zo kunnen zorgverleners makkelijk en snel reageren.

Dr. Sharma heeft de engine ontworpen op Google Cloud met een geïntegreerde set Google Cloud- en opensource-tools, zoals TensorFlow en een aantal microservices in containers. Dit heeft geleid tot een vloeiende, vrijwel onmiddellijke verwerking van gegevensinvoer, voorspellende analyses en uitvoer naar de frontend-interface, en dat alles in realtime. Door een Fast Healthcare Interoperability Resources-database (FHIR) op Google Cloud op te zetten, kunnen Nemati en Sharma ervoor zorgen dat de engine via een betrouwbaar, veilig privéplatform kan worden opgeschaald en ingezet binnen meerdere instellingen. Daarnaast kan dit platform worden geïntegreerd met andere projecten voor cloudtechnologieën, zoals de draagbare controleapparaten die al worden gebruikt in Emory-ziekenhuizen.

Opschalen via Google Cloud

Nemati, Sharma en hun team bij Emory hebben de handen ineengeslagen met het Emory eICU Center om de engine te valideren via op lokale servers gehoste gegevens. Ook hebben ze verschillende perioden getest en hebben ze zo een indrukwekkende nauwkeurigheid van 85% gerealiseerd voor het voorspellen van sepsis vier tot zes uur voordat de eerste symptomen zich voordoen. Voor de implementatie van het programma op andere locaties hebben ze App Engine gebruikt. "Door ons op TensorFlow gebaseerde algoritme voor sepsisprognose om te zetten in een app en deze app uit te voeren via Google App Engine, hebben we alle infrastructuurvereisten voor de uitvoer en opschaling van de implementatie weggenomen. We hebben ons nu volledig kunnen richten op de verbetering van het algoritme", legt Nemati uit.

Nu ze weten hoe de engine werkt, zijn ze van plan tests uit te voeren met meer gebruikers (zowel patiënten als artsen). Verder porteren ze het algoritme naar Google Cloud Machine Learning Engine en TPU's voor betere prestaties en schaalbaarheid. Ook wordt end-to-end-versleuteling geïmplementeerd om de potentiële blootstelling van patiëntgegevens te minimaliseren. Via een breed onderzoek naar Google Cloud kunnen ze nieuwe vragen stellen, zoals: Wat is de ideale periode om nauwkeurige prognoses te doen of om behandelingsplannen te optimaliseren? Zorgt de engine ervoor dat artsen patiënten beter kunnen helpen? Welke invloed heeft een risicoscore op de behandeling binnen verschillende ziekenhuizen met hun eigen processen en cultuur?

Wat er uiteindelijk echt toe doet, is een verbetering van de medische resultaten voor echte patiënten op de intensive care en Sharma is zich daar heel bewust van. "Dit algoritme werkt zo geweldig omdat het informatie biedt binnen de kritieke periode waarin artsen nuttige acties kunnen ondernemen voor patiënten. Daarnaast wordt door het algoritme deep learning mogelijk gemaakt en krijgt de arts informatie over waarom het algoritme vindt dat de patiënt risico loopt." Nemati is het daarmee eens: "Een NEJM-artikel uit 2017 heeft aangetoond dat elk uur vertraging in de behandeling van sepsis ervoor zorgt dat het risico op overlijden met vier procent toeneemt. Welk percentage levens kunnen we redden als we sepsis op deze manier kunnen vaststellen en patiënten op tijd antibiotica kunnen toedienen? Dat weten we nog niet, maar dat wordt momenteel getest bij Emory en we moeten de algemene toepassing hiervan op andere plekken kunnen aantonen."

"Dit algoritme werkt zo geweldig omdat het informatie biedt binnen de kritieke periode waarin artsen nuttige acties kunnen ondernemen voor patiënten."

Ashish Sharma, Assistent-professor, afdeling Biomedische informatica, Emory University

Meld je hier aan voor onder andere updates, inzichten en bronnen.