WRÓĆ DO STRONY
GŁÓWNEJ
Nauka

Jak polepszyć przewidywanie ryzyka śmierci pacjentów na OIOM?

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.

Dawno temu życie prawie przestało istnieć na Ziemi

Źródło: http://news.mit.edu/