Çalışma: ML algoritması, hastane öncesi verileri kullanarak travmatik kafa içi kanamayı tespit etmeye yardımcı oluyor



Bir makine öğrenimi algoritması, hastalar hastaneye ulaşmadan önce toplanan bilgileri kullanarak travmatik kafa içi kanamayı doğru bir şekilde tespit edebilir. yayınlanan çalışma JAMA Ağı Açık.

Araştırmacılar, hastanın yaşı, cinsiyeti, sistolik kan basıncı, kalp atış hızı, vücut ısısı, solunum hızı, bilinç, göz bebeği anormallikleri, travma sonrası nöbetler, kusma, hemipleji, klinik bozulma, dahil olmak üzere sağlık görevlilerinin sağlayabileceği verileri kullanarak bir hastane öncesi triyaj sistemi oluşturdular. kafa travmasının büyük güç veya baskı sonucu meydana geldiği ve hastanın birden fazla yaralanma geçirip geçirmediği.

Çalışma, 1 Nisan 2018’den 31 Mart 2021’e kadar Tokyo Tıp ve Diş Hekimliği Üniversitesi Hastanesine nakledilen kafa travmalı 2.123 hastanın elektronik sağlık kayıtlarını analiz etti. Makine öğrenimi modeli, %74’lük bir hassasiyetle travmatik kafa içi kanama tespit etti ve hastane öncesi bilgileri kullanarak %75 özgüllük.

Nispeten, doktorlara danıştıktan sonra hesaplanan Ulusal Sağlık ve Bakım Mükemmelliği Enstitüsü (NICE) kılavuzlarını kullanan bir tahmin modeli, hastane öncesi modelden istatistiksel olarak farklı olmayan, %72’lik bir duyarlılığa ve %73’lük bir özgüllüğe sahipti.

Çalışmanın yazarları, “Geleneksel tarama araçları bir doktor tarafından muayene edilmesini gerektirse de, önerilen modellerimiz yalnızca kolayca elde edilebilen nakil öncesi hasta bilgilerini gerektirir” diye yazdı.

“Sonuçlar, önerilen tahmin modellerimizin, kafa travmalı bir hastanın nakledilmesi gereken optimal kurumu değerlendirmek için kullanılabilecek bir triyaj sistemi oluşturmak için faydalı olabileceğini gösteriyor. İleriye dönük ve çok merkezli veri setleriyle daha fazla doğrulamaya ihtiyaç var.”

NEDEN ÖNEMLİ

Araştırmacılar, sahada kafa travmasını değerlendirmenin hastalar için sonuçları iyileştirebileceğini söyledi. Mevcut kafa travması sistemi, sağlık görevlilerinin, gerekli olduğuna karar verirlerse hastaları hastaneye getirmelerini gerektirir; burada bir doktor, bir hastanın BT taramasına ihtiyacı olup olmadığını değerlendirir. Taramadan sonra hastanın başka bir hastaneye nakledilmesi gerekebilir.

Alan triyajının eklenmesi, ambulansların hastaları ilk önce bakım için en iyi bölgeye getirmesine ve tedaviye kadar geçen süreyi kısaltmasına izin verebilir.

Araştırmacılar, “Kafa travmalı hastaların ulaşımları geciktiğinde fonksiyonel sonuçları kötüleştiğinden, güvenilir bir saha triyaj aracı oluşturularak üçüncü adımdaki nakil süresi azaltılmalıdır” dedi.

BÜYÜK TREND

Sağlık hizmetlerinde yapay zeka kullanımı yaygınlaştıkça, uzmanlar ve çalışmalar, mevcut sağlık eşitsizliklerini daha da kötüleştirebilecek önyargı için izlemenin önemine dikkat çekti.

AI geliştiricilerinin ayrıca şunları yapması gerekir: modelin tüm ortamlarda çalıştığından emin olmak için kapsamlı testler yapın. Bu kafa travması çalışmasındaki araştırmacılar, Japonya’daki tek bir bölgeye odaklandığından, bunun çalışmalarının bir sınırlaması olduğunu belirtti.

“Bu tek merkezli bir çalışma olduğundan ve yalnızca hastaneye yatırılan ve kafa BT’si yapılan hastaları içerdiğinden, veri setimiz kafa travmalı hastaların genel popülasyonunu temsil etmeyebilir” diye yazdılar.

“Ayrıca, modelimizin kalibrasyon grafiğine dayalı olarak yüksek risk altındaki hastaları hafife alıyor olabileceğini öneriyoruz. Modelimizi klinik uygulamaya uygulamak için, ileriye dönük bir dış doğrulama seti kullanarak tahmin doğruluğunu doğrulamalı ve optimal eşik değerini araştırmalıyız. “


Kaynak : https://www.mobihealthnews.com/news/study-ml-algorithm-helps-detect-traumatic-intracranial-hemorrhage-using-prehospital-data

Yorum yapın

SMM Panel