Начало пандемии COVID-19 стало огромным испытанием для медицинских работников. Врачи изо всех сил пытались предсказать, как поведут себя разные пациенты при лечении от нового вируса SARS-CoV-2. Принятие решения о том, как сортировать медицинские ресурсы при наличии очень небольшого количества информации, по мере развития пандемии наносило психический и физический ущерб лицам, осуществляющим уход.
Чтобы облегчить это бремя, исследователи из Тихоокеанской северо-западной национальной лаборатории (PNNL), Стэнфордского университета, Технологического института Вирджинии и лаборатории Джона Сноу разработали TransMED, первый в своем роде инструмент прогнозирования искусственного интеллекта (ИИ), предназначенный для решения проблем, вызванных возникающими или редкие заболевания .
«По мере распространения COVID-19 в 2020 году многие из нас собрались вместе, чтобы подумать о том, как и где мы могли бы внести значимый вклад», — сказал главный научный сотрудник Сутанай Чоудхури. «Мы решили, что сможем оказать наибольшее влияние, если будем работать над проблемой прогнозирования результатов лечения пациентов ».
«COVID представляет собой уникальную проблему», — сказал Кхушбу Агарвал, ведущий автор исследования, опубликованного в Nature Scientific Reports . «У нас было очень мало данных о пациентах для обучения модели ИИ, которая могла бы изучать сложные закономерности, лежащие в основе траекторий пациентов с COVID».
Многопрофильная команда разработала TransMED для решения этой проблемы, анализируя данные о существующих заболеваниях, чтобы прогнозировать исходы возникающих заболеваний.
Ответ на звонок о помощи
Когда началась пандемия COVID-19, исследователи PNNL столкнулись с новой проблемой. Чоудхури работал в команде, использующей ИИ для создания структур молекул, которые могли бы стать потенциальными кандидатами для разработки лекарств против SARS-CoV-2.
Он также испытывал сильное сочувствие к работникам здравоохранения, находящимся на передовой борьбы с COVID-19. «Было ясно, что нам нужно создать более эффективные инструменты для лучшей защиты как пациентов, так и лиц, осуществляющих уход, во время следующего кризиса», — сказал Чоудхури.
Чоудхури и Агарвал заручились поддержкой Колби Хэма и Роберта Ралло, директора отдела передовых вычислений, математики и данных в PNNL, а также ученых-компьютерщиков из Стэнфордского университета, Технологического института Вирджинии и лаборатории Джона Сноу для создания такого инструмента.
Сюзанна Таманг была одной из таких ученых. Ранее она работала с Чоудхури, Агарвалом и Ралло над проектом по аналитике здравоохранения . Она очень хотела принять участие в этом исследовательском проекте, чтобы применить свои знания для поддержки принятия решений медицинскими работниками.
«Мы все видели необходимость внести свой вклад», — сказал Таманг, помощник директора факультета науки о данных в Стэнфордском центре наук о здоровье населения и инструктор кафедры биомедицинских наук о данных Медицинской школы Стэнфордского университета. «Мы могли бы использовать наши возможности для создания инструмента, имеющего непосредственную ценность и полезность для работников здравоохранения ».
Слева направо исследователи PNNL Роберт Ралло, Сутанай Чоудхури, Кхушбу Агарвал и Колби Хэм помогали в разработке TransMED. Кредит: Андреа Старр | Тихоокеанская северо-западная национальная лаборатория
Таманг не чужд такой альтруизм. Являясь членом клуба « Статистика для социального блага » Стэнфордского университета , она регулярно жертвует свое время и навыки на решение различных социальных проблем. «Иногда лучшая наука возникает, когда исследователями движет желание помочь», — сказал Таманг.
Новый подход к борьбе с неизвестными болезнями
Ранние результаты показывают, что TransMED превосходит существующие модели прогнозирования результатов лечения пациентов, особенно в отношении более редких исходов. Агарвал частично объясняет это способностью TransMED тщательно анализировать широкий спектр медицинской информации, в том числе о других респираторных заболеваниях .
«TransMED рассматривает почти все типы данных электронных медицинских карт, таких как медицинские показания , лекарства, процедуры, лабораторные измерения и информацию из клинических записей», — сказал Агарвал. «Принятие такого целостного взгляда на пациента позволяет TransMED делать прогнозы почти так же, как это сделал бы клиницист».
Другим фактором, способствующим успеху TransMED, является трансфертное обучение. По сути, трансферное обучение работает, когда модель машинного обучения работает над решением проблемы, когда существует много данных. Затем модель переносит эти знания на решение аналогичных задач. В случае с TransMED исследователи натренировали модель на известных исходах пациентов с тяжелыми респираторными заболеваниями и применили эти знания для прогнозирования исходов COVID-19.
«Учитывая недавнюю историю болезни пациента, TransMED может предсказать потребность пациента в аппаратах ИВЛ или другие редкие исходы на 5–7 дней вперед», — сказал Чоудхури.
Применение ИИ в реальных условиях здравоохранения находится в зачаточном состоянии, но эта работа является многообещающим первым шагом к созданию полезной модели для прогнозирования результатов лечения пациентов. Хотя TransMED еще предстоит испытать в клинических условиях, он позволяет заглянуть в будущее здравоохранения.
Дополнительными авторами этой статьи являются Синдху Типирнени и Чандан К. Редди из Технологического института Вирджинии; Притам Мукерджи, Мэтью Бейкер, Сии Танг и Оливье Геварт из Стэнфордского университета; и Вейсел Кокаман из John Snow Labs. Эта работа была поддержана программой исследований и разработок лаборатории PNNL.
