Na oddziałach intensywnej terapii, ocena pacjentów odbywa się głównie za pomocą sprawdzania parametrów życiowych oraz testach fizjologicznych. Pracuje teraz się nad modelami uczenia maszynowego, które mają pomóc w tej ocenie, ale mają one wady.
Modele globalne szkolone są na pewnej populacji pacjentów, ale do subpopulacji działają one słabo bądź średnio. Z drugiej strony modele szkolone na subpopulacjach mają za małą liczbę danych do szkolenia i testowania. Naukowcy z MIT opracowali rzecz, która dobrze sprawdza się w obu przypadkach. Nowy model najpierw uczy się na danych fizjologicznych pacjentów, którzy zmarli podczas pobytu na OIOMie. W ten sposób nauczy się on predykcji śmiertelności i dzieli pacjentów na subpopulacje na podstawie ich stanów zdrowia. Następnie może przyjrzeć się danym pacjenta z pierwszych 24 h a korzystając z wiedzy nabytej dzięki analizie subpopulacji może oszacować prawdopodobieństwo śmierci w ciągu najbliższych 48 h.
Wykorzystywane dane fizjologiczne to np. poziom glukozy, potasu, azotu, częstość akcji serca, pH krwi, nasycenie tlenem czy częstość oddechu. Przykładowo wzrost ciśnienia i poziomu potasu może wskazywać na problemy zdrowotne w odniesieniu do innych subpopulacji. Model także dostraja się w zależności od subpopulacji. Takie podejście pozwala na współdzielenie danych i tworzenie znacznie lepszych prognoz.
Źródło: http://news.mit.edu/
