I ricercatori della Emory University utilizzano Google Cloud Platform per prevedere la sepsi nei pazienti in terapia intensiva

Grazie alla combinazione di dati clinici, machine learning e infrastruttura scalabile di Google Cloud Platform, il programma di previsione della sepsi della Emory University utilizza l'analisi in tempo reale al fine di fornire una migliore assistenza ai pazienti a rischio e allo stesso tempo controllare i costi medici.

La sepsi, una risposta autoimmune all'infezione, è una delle patologie più costose e mortali trattate negli ospedali degli Stati Uniti e colpisce ogni anno circa 750.000 americani. La scoperta precoce e la prevenzione potrebbero salvare un numero notevole di vite umane e risparmiare molto denaro e risorse, ma non esiste alcun metodo affidabile per diagnosticare la sepsi rapidamente. Il dott. Shamim Nemati e il dott. Ashish Sharma del Dipartimento di informatica biomedica della Facoltà di Medicina della Emory University stanno adottando un approccio innovativo a questa sfida: utilizzando le cartelle cliniche elettroniche anonime di 30.000 pazienti delle unità di terapia intensiva negli ospedali della Emory, il dott. Nemati ha creato un motore di intelligenza artificiale in grado di analizzare 65 variabili rilevanti, tra cui parametri vitali, dati demografici del paziente e i risultati di laboratorio. Grazie al monitoraggio continuo a intervalli di cinque minuti del flusso di dati di un paziente, il motore di previsione della sepsi calcola un punteggio composito in tempo reale, che rappresenta la probabilità di sviluppare la patologia, e mostra i risultati su una dashboard di modo che i medici li possano valutare. Poiché la scoperta precoce è fondamentale, i medici possono osservare il punteggio e la spiegazione quando il trattamento con gli antibiotici ha la massima efficacia.

"Abbiamo convertito il nostro algoritmo per la previsione della sepsi basato su TensorFlow in un'app e l'abbiamo eseguito su Google App Engine: in questo modo siamo riusciti ad astrarre completamente dai requisiti di infrastruttura per il funzionamento e l'adeguamento su scala del deployment, e concentrarci solo sul miglioramento dell'algoritmo."

Shamim Nemati, professore associato del Dipartimento di informatica biomedica, Emory University

Una soluzione di terapia intensiva

Il programma comprende tre componenti cruciali: i set di dati in arrivo e archiviati, l'algoritmo di analisi dei dati basato su IA e un'interfaccia utente front-end per i medici. L'inserimento e l'archiviazione dei dati sono particolarmente complessi: decine di megabyte di dati in alta risoluzione (come la pressione sanguigna e la frequenza respiratoria di ciascun paziente) devono riportare l'ora, essere mantenuti privati e al sicuro, ed essere elaborati istantaneamente per produrre risultati tempestivi in situazioni ad alto rischio. Il programma quindi produce un punteggio composito di rischio della sepsi (Sepsis Risk Score), che viene visualizzato su una dashboard appositamente progettata per permettere una lettura facile e immediata da parte del medico. Un sistema di allarme avvisa il medico quando un paziente raggiunge una soglia di probabile contrazione della sepsi, facilitando il rapido intervento da parte degli operatori sanitari.

Il dott. Sharma ha progettato il programma su Google Cloud Platform (GCP) utilizzando un insieme integrato di strumenti open source e GCP, come TensorFlow e un set di microservizi in container, per ottenere un'elaborazione senza problemi e quasi istantanea dell'inserimento dei dati e dell'analisi predittiva, e un invio all'interfaccia front-end, il tutto in tempo reale. Con la realizzazione del database Fast Healthcare Interoperability Resources (FHIR) su GCP, Nemati e Sharma garantiscono la scalabilità e l'interoperabilità del programma tra tutti gli istituti su una piattaforma affidabile, sicura e privata che possa integrarsi anche con altri progetti su tecnologie cloud, come i dispositivi di monitoraggio indossabili già in uso negli ospedali della Emory.

La scalabilità su Google Cloud Platform

Finora, Nemati, Sharma e la loro équipe della Emory hanno avviato una collaborazione con l'Emory eICU Center per convalidare il motore sui dati ospitati sui server locali, provando intervalli temporali diversi prima di raggiungere una precisione straordinaria dell'85 % nella previsione della sepsi con quattro-sei ore di anticipo rispetto all'insorgenza. Per eseguire il deployment del programma in altri luoghi, sono ricorsi ad App Engine. "Abbiamo convertito il nostro algoritmo per la previsione della sepsi basato su TensorFlow in un'app e l'abbiamo eseguito su Google App Engine: in questo modo siamo riusciti ad astrarre completamente dai requisiti di infrastruttura per il funzionamento e l'adeguamento del deployment, e concentrarci solo sul miglioramento dell'algoritmo", afferma Nemati.

Ora che sanno che il programma funziona, prevedono di testarlo su altri utenti, sia pazienti che medici. Inoltre stanno trasferendo l'algoritmo su Google Cloud Machine Learning Engine e sulle unità TPU per ottenere prestazioni e scalabilità migliori. Stanno poi integrando la crittografia end-to-end per ridurre al minimo la potenziale esposizione dei dati dei pazienti. Grazie a un vasto studio su GCP condotto da loro, ora si possono porre altre domande, come: qual è l'intervallo di tempo ideale per effettuare previsioni accurate o per ottimizzare i trattamenti? Il servizio aiuterà i medici a fornire un'assistenza migliore ai pazienti? In che modo un punteggio di rischio incide sul trattamento nei vari ospedali, che hanno i propri flussi di lavoro e le proprie culture?

In the end, what matters most is improving medical outcomes for real patients in ICUs, and Sharma is aware of that. “The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can make meaningful interventions for a patient. Also, the algorithm opens up the deep-learning black box and informs the physician why it thinks the patient is at risk.” Nemati agrees, “A 2017 NEJM article showed that for each hour sepsis treatment is delayed, a patient’s risk of death increases by 4 percent. So what percentage of lives can we save if we could catch sepsis this way and put patients on antibiotics in time? We don’t know yet, but that’s what we’re currently testing at Emory, and we need to show generalizability elsewhere."

"Il motivo per cui questo algoritmo sta funzionando in maniera straordinaria è che fornisce informazioni nella finestra temporale in cui i medici possono prendere provvedimenti importanti per un paziente."

Ashish Sharma, professore associato del Dipartimento di informatica biomedica, Emory University

Grazie per aver eseguito la registrazione.

Facci conoscere i tuoi interessi.