AI for å hjelpe leger med å utvikle personlige behandlinger

AI for å hjelpe leger med å utvikle personlige behandlinger

Ingen pasienter er like. Høres åpenbart ut, men ofte behandler leger pasienter med samme diagnose på en lignende måte. Teamet vårt har vendt seg til AI - og har utviklet en programvare, beskrevet i våre nyeste artikler, for å hjelpe leger med å tilpasse behandlinger for forskjellige pasienter med nøyaktig samme diagnose.

Vi har kombinert informasjon fra retningslinjer for klinisk behandling med historiske elektroniske helseregisterdata. Resultatet var en overraskelse: vi har funnet at det oftere enn ikke er flere behandlingsalternativer, hvorav noen ikke kan vurderes i behandlingsplanleggingsprosessen. Vår modell kan gjøre det mulig for leger å vurdere de beste praksisopplevelsene fra sine kolleger for å hjelpe dem med å ta mer informerte beslutninger om behandling for en bestemt pasient. [1, 2]

Vanligvis bruker leger evidensbasert medisin som integrerer tilgjengelig forskning med klinisk ekspertise og pasientdata for å ta de mest informerte behandlingsbeslutningene. Dette betyr hovedsakelig å stole på resultatene av randomiserte kontrollerte studier. Men slike studier dekker ikke alltid alle kliniske tilstander og involverer vanligvis et relativt lite antall studiepersoner. De prøver også å fjerne så mange variabler som mulig for å forbli tilfeldige - noe som betyr at fagene som studeres ofte kan representere en relativt homogen gruppe som ikke er veldig representativ for den virkelige verden.

Den generelle presisjonsgruppen for behandlingsalternativer.  Trinn 1 og 2 utgjør forberedelsesfasen, utført offline og på forhånd.  Trinn 3 og 4 danner kjøretidsfasen, brukt i nesten sanntid under pasientbesøket.

Den generelle presisjonsgruppen for behandlingsalternativer. Trinn 1 og 2 utgjør forberedelsesfasen, utført offline og på forhånd. Trinn 3 og 4 danner kjøretidsfasen, brukt i nesten sanntid under pasientbesøket.

For å lage programvaren, ble vår AI først kammet gjennom databasen til Atrius Health - en stor helsepersonell i østlige Massachusetts med mer enn 20 års data for omtrent 2,5 millioner pasienter. Vi analyserte spesifikt journalene over pasienter som lider av en av tre kroniske sykdommer: hypertensjon, type 2 diabetes og hyperlipidemi eller høyt kolesterol. Vi tok deretter retningslinjene for klinisk behandling for hver sykdom og ekstraherte manuelt settet med anbefalte legemidler og faktorene som bestemmer hvilke pasienter som skulle få forskrevet hvilket legemiddel. [1]

Resultatet var en overraskelse: vi har funnet at det oftere enn ikke er en bedre behandling enn den en bestemt lege hadde valgt.

Deretter tok vi historiske pasientdata fra Atrius elektroniske helseregistre og identifiserte de såkalte avgjørelsespunktene: legebesøk der pasientens sykdomsstatus ikke ble kontrollert. For hvert avgjørelsespunkt hentet vi all tilgjengelig informasjon om pasienten frem til den tiden, for eksempel beslutninger om medikamentell behandling, laboratorietestresultater og andre sykdommer, og om sykdommen var under kontroll under oppfølgingsbesøk. [1]

Bevæpnet med alle disse dataene, trente vi sykdomsspesifikke maskinlæringsmodeller for å identifisere lignende beslutningspunkter andre steder i dataene. Resultatet var en såkalt “presisjonskohorte” - en gruppe pasienter som samsvarer nøye ut fra deres individuelle egenskaper og deres presise kliniske situasjon.

Disse årskullene har gjort det mulig for oss å studere pasienters svar på forskjellige behandlinger fra forskjellige leger i samme organisasjon under lignende kliniske scenarier. På denne måten har vi vært i stand til å bestemme de beste behandlingsalternativene - de som produserer det høyeste nivået av sykdomskontroll - i organisasjonen for pasienter som ligner den enkelte pasienten i lignende kliniske situasjoner.

For eksempel viser et diagram nedenfor et eksempel på observerte behandlinger og tilhørende resultater for en presisjonskull. Kullet består av data fra pasienter som alle ligner på en bestemt pasient under samme kliniske situasjon. I eksemplet har alle pasienter i kohorten diagnosen hypertensjon og behandles kun med en angiotensinreseptorblokker (ARB). I den midterste kolonnen har vi detaljert behandlingsalternativene til forskjellige leger i praksis, og bredden på “spissen” viser den relative størrelsen på kohorten som velger det alternativet.

Presisjonskohortvisualisering i EPJ.  Dette diagrammet viser observerte resultater for en presisjonskohorte av pasienter som ligner på den enkelte pasient under samme kliniske situasjon (definert av likhetsmodellen).  I dette eksemplet har alle pasienter i kohorten en diagnose av hypertensjon og blir bare behandlet med en angiotensinreseptorblokker (ARB) (kolonne 1).  I midtkolonnen har andre klinikere i praksis valgt flere behandlingsalternativer.  Bredden på

Presisjonskullvisualisering i Electronic Health Records

Vi har lagt merke til at det vanligste valget var å gjøre ingen endring i ARB-legemiddelklassen. Under scenariet uten endring hadde bare 40 prosent av pasientene kontrollert blodtrykk ved oppfølgingsmålingen. Stiftene over gruppen uten endring hadde alle en økning i prosent kontrollert ved oppfølging; behandlingskullene i grønt hadde en statistisk signifikant endring i prosent kontrollert. Stikkene under ikke-endringsgruppen hadde en lavere prosent kontrollert ved oppfølging, og røde stenger indikerer en statistisk signifikant endring.

Bedre alternativer tilgjengelig

Dette eksemplet viser tydelig at leger i samme organisasjon selv for en relativt homogen kull valgte mange forskjellige behandlingsalternativer. Noen behandlinger ble valgt oftere enn andre, og noen behandlinger hadde bedre assosierte sykdomskontrollresultater enn andre.

Vi har lært at det i de aller fleste tilfeller på tvers av de tre sykdommene var flere behandlingsplaner enn den en spesifikk lege hadde valgt. For hypertensjon kunne 65,1 prosent av tilfellene ha gitt leger flere behandlingsveier basert på en analyse av presisjonskohorter, for Type 2-diabetes - 37,7 prosent, og for høyt kolesterol - 75,3 prosent [2]. Hvis de brukes i kliniske omgivelser, kan overflatebehandling av slike data gjøre det mulig for klinikere med nøyaktig, personlig informasjon som kan hjelpe dem med å ta skreddersydde og datadrevne behandlingsbeslutninger for pasientene.

Metoden vår er ikke begrenset til disse tre sykdommene og kan brukes på alle sykdomsbehandlingssituasjoner, hvor relevante tidligere erfaringer fra pasienter i lignende situasjoner kan bidra til å bedre informere klinisk beslutningstaking.

Vi tror at programvaren vår kan hjelpe leger til å være oppmerksomme på beste leges erfaringer fra andre leger og leksjonene de har lært av utallige interaksjoner fra lege til pasient fanget i elektroniske helseregistre. Dette, kombinert med tradisjonelle behandlingsretningslinjer, kan potensielt hjelpe dem med å ta mer informerte beslutninger om den beste behandlingen for individuelle pasienter.

Imidlertid er forskningen vår ikke over ennå. En av de største utfordringene er behovet for store nok observasjonsdatasett til å dekke ulike sykdommer og behandlingsalternativer. Vi undersøker nå flere tilnærminger for å løse denne utfordringen - inkludert mer effektive måter å bruke eksisterende data på, for eksempel vekting av dataelementer i stedet for å filtrere noen ut og kombinere flere datasett.

Med digitale arkiver og elektroniske poster mangler det ikke på rådata. Men å oversvømme leger med overveldende mengder data er ikke nyttig. Modellen vår er et verktøy for å trekke ut og visualisere innsikten i dataene - som kan hjelpe dem med å ta mer informerte beslutninger.

  1. Kenney Ng, Uri Kartoun, Harry Stavropoulos, John Zambrano, Paul C Tang, Personlige behandlingsalternativer for kroniske sykdommer ved hjelp av presisjonskohortanalyse, Vitenskapelige rapporter, 2021 13. januar, https://doi.org/10.1038/s41598-021-80967-5
  2. Paul C Tang, Sarah Miller, Harry Stavropoulos, Uri Kartoun, John Zambrano, Kenney Ng, Precision population analytics: population management at the point-of-care, Tidsskrift for American Medical Informatics Association, ocaa247, https://doi.org/10.1093/jamia/ocaa247

Oppfinne hva som er neste.

Hold deg oppdatert med de siste kunngjøringene, undersøkelsene og hendelsene fra Brutalk Research gjennom vårt nyhetsbrev.

Saatat myös olla kiinnostunut