Начало пандемии COVID-19 стало огромной проблемой для работников здравоохранения. Врачи изо всех сил пытались предсказать, как разные пациенты будут проходить лечение от нового вируса SARS-CoV-2. Решение о том, как распределить медицинские ресурсы, когда им предоставляется очень мало информации, по мере прогрессирования пандемии наносит моральный 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 своём роде инструмент прогнозирования с использованием искусственного интеллекта (ИИ), предназначенный для решения проблем, вызванных возникающими или редкими заболеваниями.

“Поскольку распространение COVID-19 произошло в 2020 году, это заставило многих из нас задуматься о том, как и где мы могли бы внести значимый вклад”, – сказал главный научный сотрудник Сутанай Чоудхури. “Мы решили, что сможем добиться наибольшего эффекта, если будем работать над проблемой прогнозирования результатов лечения пациентов”.

“COVID представляет собой уникальную проблему”, – сказал Хушбу 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 для прогнозирования исходов возникающего заболевания.

Отвечая на призыв о помощи

Когда началась пандемия COVID-19, исследователи PNNL столкнулись с новой проблемой лицом к лицу. Чоудхури обнаружил, что работает в команде, использующей искусственный интеллект для создания структур молекул, которые могли бы стать потенциальными кандидатами для разработки лекарств против SARS-CoV-2.

Он также испытывал сильное сочувствие к медицинским работникам, находящимся на переднем крае 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 обратились за помощью к Колби Хэму и Роберту Ралло, директору отдела передовых вычислений, математики и обработки данных PNNL, а также к компьютерным учёным из Стэнфордского университета, Virginia Tech и John Snow Labs, чтобы создать такой инструмент.

Сюзанна Таманг была одним из таких учёных. Ранее она работала с Чоудхури, Агарвалом и Ралло над проектом аналитики здравоохранения. Она очень хотела принять участие в этом исследовании, чтобы применить свои знания для поддержки принятия решений медицинскими работниками.

“Мы все увидели необходимость внести свой вклад”, – сказал Таманг, помощник директора факультета науки о данных в Стэнфордском центре науки о здоровье населения и преподаватель кафедры биомедицинских данных медицинской школы Стэнфордского университета. “Мы могли бы использовать наши возможности для создания инструмента, имеющего непосредственную ценность и полезность для медицинских работников”.

Тамангу не привыкать к такому альтруизму. В рамках клуба статистики Стэнфордского университета для социальной пользы она регулярно жертвует свое время и навыки для решения 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 современные модели прогнозирования исходов у пациентов, особенно для более редких исходов. Агарвал частично объясняет это способностью TransMED тщательно анализировать широкий спектр медицинской информации, включая другие респираторные заболевания.

“TransMED учитывает практически все типы данных электронных медицинских записей, таких как медицинские условия, лекарства, процедуры, лабораторные измерения и информация из клинических записей”, – сказал Агарвал. “Принятие такого целостного взгляда на пациента позволяет TransMED делать прогнозы во многом так же, как это делал бы клиницист”.

Другим фактором, способствующим успеху TransMED, является обучение переводу. По сути, трансфертное обучение работает за счет того, что модель машинного обучения работает над решением проблемы, в которой существует много данных. Затем модель переносит эти знания на решение аналогичных задач. В случае TransMED исследователи обучили модель известным результатам лечения 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 в будущем”, – сказал Чоудхури.

Применение ИИ в реальных медицинских учреждениях находится в зачаточном состоянии, но эта работа является многообещающим первым шагом на пути к созданию полезной модели для прогнозирования результатов лечения пациентов. Хотя TransMED ещё предстоит протестировать в клинических условиях, он даёт обнадёживающий взгляд на будущее здравоохранения.

Источник