Prevence a rozpoznání sepse je součástí každodenní péče o pacienty na pracovištích intenzivní péče. Sepse se vyznačuje svou heterogenitou stavu, což znesnadňuje její detekci. Citovaná studie shrnuje poznatky ze zapojení modelu hlubokého učení ke včasné detekci sepse s cílem včasného varování zdravotníků a jejich následné intervence pomocí „balíčků péče“ pro prevenci sepse.
Deep learning neboli „hluboké učení“ je větev strojového učení založená na umělé neuronové síti a přibližující se umělé inteligenci. Hluboké učení nachází v posledních letech uplatnění v mnohých medicínských odvětvích.
Pro zlepšení včasné detekce aplikoval tým z Kalifornské univerzity v San Diegu prediktivní analytiku, konkrétně model hlubokého učení COMPOSER, který v reálném čase importuje data z elektronických zdravotních záznamů k předpovědi sepse před její zjevnou klinickou manifestací. COMPOSER byl pro zvýšení spolehlivosti navržen tak, aby ověřoval své výstupy s předchozími trénovacími vzorky. Tímto způsobem bylo signifikantně sníženo množství falešně pozitivních výstrah, což přispělo k větší důvěře sester, kterým byly výstrahy doručovány, a k jejich compliance s následným doporučeným postupem.
Cílem kvaziexperimentální studie před zavedením modelu COMPOSER na dvou různých pohotovostních odděleních v rámci zdravotnického systému UC San Diego a po jeho zavedení bylo posoudit dopad tohoto modelu z hlediska časné predikce sepse, respektive zdravotního stavu pacientů. COMPOSER při pozitivním vyhodnocení stavu sepse spustil notifikaci v elektronickém systému doporučení osvědčených postupů, tzv. BPA (best practice advisory), které jsou doručovány sestrám ve formě pop-up upozornění.
Před intervencí (705 dní) a v období po jejím zavedení (145 dní) byly hodnoceny nemocniční mortalita, compliance s „balíčkem“ pro prevenci sepse, 72hodinová změna orgánové dysfunkce kvantifikovaná skórem SOFA po vypuknutí sepse, dny bez umístění a počet interakcí na jednotce intenzivní péče. Skórovací systém SOFA přináší informace o orgánové dysfunkci, přičemž zvýšené skóre SOFA signifikantně koreluje s morbiditou a mortalitou septických pacientů.
Do studie bylo tímto způsobem zahrnuto 6217 dospělých septických pacientů (5065 v předintervenční a 1152 v pointervenční fázi) hospitalizovaných v období od 1. ledna 2021 do 30. dubna 2023. Většina pacientů vykazovala komorbidity, medián skóre SOFA byl v době sepse 2 a výchozí stavy pacientů před zavedením predikčního modelu intervence a po něm se významně nelišily.
Průměrná mortalita na sepsi během období po intervenci dosahovala 9,49 %. Nasazení modelu COMPOSER bylo spojeno s 1,9% absolutním snížením (tj. 17% relativním poklesem) úmrtnosti na nemocniční sepsi (95% interval spolehlivosti [CI] 0,3–3,5 %). Zaznamenaný byl také 4% pokles skóre SOFA (95% CI 1,1–7,1 %), který představuje zlepšení stavu septických pacientů z hlediska mortality a morbidity.
Během období po intervenci byla průměrná míra compliance na 53,42 %, což představuje 5% absolutní (a 10% relativní) zlepšení compliance s „balíčkem“ pro prevenci sepse (95% CI 2,4–8,0 %). Podobné výsledky byly zaznamenané na obou pohotovostních odděleních, k významnému zlepšení došlo v parametrech podávání antibiotické léčby, opakovaného odběru laktátu a doplňování tekutin.
Včasná intervence implementovaná co nejdříve má pro pacienta značný přínos, včasné rozpoznání sepse je tudíž zásadní. Tato čerstvě publikovaná studie hodnotící aplikaci modelu založeného na hlubokém učení v praxi prokázala významné zvýšení compliance ošetřujícího personálu s doporučenými postupy a významné snížení mortality septických pacientů. Použití těchto modelů by tedy mělo být prospěšné v každodenních klinických podmínkách.
(lexi)
Zdroje:
1. Boussina A., Shashikumar S., Malhotra A. et al. Impact of a deep learning sepsis prediction model on quality of care and survival. NPJ Digit Med 2024; 7 (1): 14, doi: 10.1038/s41746-023-00986-6.
2. Holub M. Definice sepse a septického šoku. Klinická biochemie a metabolismus 2018; 26 (2): 76–78.
3. Jiřík M., Moulisová V., Hlaváč M. a kol. Umělé neuronové sítě a počítačové vidění v medicíně a chirurgii. Rozhledy v chirurgii 2022; 101 (12): 564–570.
4. Litjens G., Kooi T., Bejnordi B. E. et al. A survey on deep learning in medical image analysis. Med Image Anal 2017; 42: 60–88, doi: 10.1016/j.media.2017.07.005.
