Bei HIMSS20 nächsten Monat, zwei machine-learning-Experten zeigen, wie machine-learning-algorithmen entwickelt, um komplexe physiologische Daten, und fahren mehr detaillierte klinische Erkenntnisse.
Während der Operation und anderen intensivmedizinischen Verfahren, die kontinuierliche überwachung von Blutdruck, zu erkennen und zu vermeiden das auftreten von arteriellen Hypotonie ist entscheidend. Neue machine-learning-Technologie, entwickelt von Edwards Lifesciences ist nachweislich ein wirksames Mittel, dies zu tun.
In der prodromal Phase der hämodynamischen Instabilität, die sich durch subtile, komplexe Veränderungen in verschiedenen physiologischen Variablen einzigartige dynamische arteriellen Wellenform „Signaturen“ gebildet werden, die erfordern, maschinelles lernen und komplexe feature-Extraktion-Techniken, die genutzt werden können.
Feras Hatib, Leiter der Forschung und Entwicklung für algorithmen und Signalverarbeitung auf der Edwards Lifesciences, erklärte seinem team eine Technik entwickelt, die Vorhersagen könnten, in Echtzeit und kontinuierlich, anstehende Hypertonie in acute-care-Patienten mit einer arteriellen Druck-Wellenformen.
„Wir haben eine arterielle Drucksignal zu erzeugen hämodynamische Eigenschaften aus, die Wellenform, und wir versuchen zu beurteilen, den Zustand der Patienten durch die Analyse diese Signale“, sagt Hatib, die geplant ist, zu sprechen, über seine Arbeit an HIMSS20.
Sein team Erfolg bietet Reale Beweis dafür, wie advanced analytics, die verwendet werden können, informieren die klinische Praxis durch das training und die Validierung von machine-learning-algorithmen mit komplexen physiologischen Daten.
Machine-learning-Ansätze wurden angewandt, um den arteriellen Wellenformen zu entwickeln ist ein Algorithmus, der feststellt subtilen Zeichen, um vorherzusagen, Hypotonie-Episoden.
Darüber hinaus real-world-Evidenz und advanced data analytics wurden genutzt, um die Quantifizierung der Assoziation zwischen Hypotonie Dauer der Exposition für verschiedene Schwellenwerte und kritisch Kranken sepsis-Patienten Morbidität und Mortalität Ergebnisse.
„Diese Technologie wurde in Europa für mindestens drei Jahre, und es wurde schon auf tausenden von Patienten, und wurde in den USA für etwa ein Jahr jetzt,“ stellte er fest.
Hatib hingewiesen ähnlich wie machine-learning-Modelle könnten ärzten und Spezialisten mit Informationen, die helfen, verhindern, dass re-admissions oder andere Behandlung Optionen, oder helfen Sie verhindern, dass Dinge wie delirium – aktuelle Bereiche der aktiven Entwicklung.
„Neben Blutdruck -, machine-learning finden konnte, einen großen Einsatz in der Intensivstation, in der Vorhersage von sepsis, die ist entscheidend für die überlebensrate der Patienten“, betonte er. „In der Lage zu verarbeiten, dass die Daten in der Intensivstation oder in der Notaufnahme, das wäre ein wichtiger Bereich, um diese Maschine zu lernen Analysen-Modelle.“
Hatib darauf hingewiesen, in welcher Weise diese Daten versehen – in seinem Fall, zu definieren, was ist Bluthochdruck und was nicht – ist wichtig beim Aufbau der machine-learning-Modell.
„Die Art und Weise, die Sie beschriften Sie die Daten, und welche Daten Sie beinhalten in der Ausbildung ist entscheidend“, sagte er. „Selbst wenn Sie Tausende von Patienten und umfassen die falschen Daten, mit denen ist nicht zu helfen – es ist ein bisschen eine Kunst zu finden, die richtigen Daten in das Modell.“
Auf der klinischen Seite, ist es wichtig zu sagen, der Arzt, was das Problem ist – in diesem Fall, was die Ursache für Hypertonie.
„Sie müssen zur Verfügung stellen, um Ihnen die Gründe, die könnte die Ursache der Hypertonie – dies ist der Grund, warum wir ergänzt die Technologie mit einem sekundären Bildschirm, erzählt der Arzt, was ist physiologisch verursacht Bluthochdruck“, erklärte er. „Helfen Sie entscheiden, was Sie tun, um über es war ein Kritischer Faktor.“
Hatib sagte, in der Zukunft maschinelles lernen wird überall sein, weil Wissenschaftler und Universitäten auf der ganzen Welt arbeiten hart an der Entwicklung von machine-learning Modellen zur Vorhersage der klinischen Bedingungen.
„Der nächste große Schritt, den ich sehe, ist, gehen in Richtung der Verwendung dieser ML-Techniken, bei denen die Maschine übernimmt die Versorgung des Patienten und der Arzt ist nur ein Beobachter“, sagte er.
Feras Hatib, zusammen mit Sybille Munson von Boston Strategischen Partnern, wird einige machine learning best practices während seiner HIMSS20 in einer Sitzung, „der Aufbau eines Machine-Learning-Modells für die Klinische Erkenntnisse.“ Es ist geplant für Mittwoch, 11. März, von 8:30-9:30 Uhr im Raum W304A.