人工智能支持医生对心脏骤停的艰难的决定

当病人接受治疗后心脏骤停,医生可以通过输入病人数据在一个基于web的app-find出成千上万的病人表现相似。哥德堡大学的研究人员已经开发出三个这样的决策支持系统对于可能的心脏骤停,在未来,会影响到医生的工作。

一个决策支持工具(SCARS-1),现在公布,下载是免费的从哥德堡心脏骤停机器学习研究的网站。然而,该算法的结果必须被正确的技能的人。基于ai决策支持扩大强烈在许多地区的医疗保健,和广泛的讨论正在进行中如何护理服务和病人都可以从中受益最多。

从瑞典心肺复苏术注册应用程序访问数据在成千上万的病人情况。哥德堡大学的研究人员用一种先进的机器学习教临床预测模型来识别各种因素影响了以前的结果。算法考虑众多因素有关,例如,心脏骤停、治疗提供,之前的健康不佳,药物和社会经济地位。

新的循证方法

这将是几年前官方建议心脏骤停可能包括基于ai决策支持,但是医生可以自由使用这些预测模型和其他新,以证据为基础的方法。研究小组研究决定支持心脏骤停是由Araz Rawshani,卡学院和大学的研究员在卡大学心脏病医院主治医师。

“我和我的几个同事对待紧急心脏骤停患者已经开始使用了预测模型作为过程的一部分决定护理的水平。答案从这些工具通常意味着我们得到确认意见我们已经抵达。不过,它帮助我们不是主题病人痛苦的治疗,是不太可能的病人受益,同时节省医疗资源,”Rawshani说。

高度准确

到目前为止,研究小组发表了两个决策支持工具。一个临床预测模型,称为SCARS-1,提出了eBioMedicine。这个模型表明一个新的病人是否像其他先前的情况下,患者存活或心脏骤停后30天内死亡。

模型的精度非常高。基于10个最重要的因素,该模型的敏感性为95%,特异性为89%。“AUC-ROC价值”(中华民国被接受者操作特征曲线模型和AUC ROC曲线下的面积),这个模型是0.97。最高的AUC-ROC值是1.0和临床相关的模型的阈值是0.7。

一块拼图

这个决策支持是由弗雷德里克•Hessulf萨尔格学院博士生,哥德堡大学和卡大学医院的麻醉师/ Molndal。

“这几块的决策支持是一个大难题:医生的一个病人的总体评估。我们有很多不同的因素考虑在决定是否继续进行心肺复苏术。这是一个要求很高的治疗,我们应该给病人只会从中受益,可以后住院领导自己的生活价值,”Hessulf说。

这种形式的支持是基于393年因素影响患者生存的机会的心脏骤停后30天。模型的高精度也可能被解释成大量的病人病例(约55000)算法是基于和十已发现近400个因素很大程度上影响生存。到目前为止最重要的因素是心脏后又恢复了一个可行的心脏节律急诊病人的入院。

新的心脏骤停的风险

第二个决策支持工具提出了发表在《华尔街日报》复苏。这个工具是基于数据从病人幸存下来他们心脏按压心脏骤停,直到出院。预测模型是基于886年5098例病人因素从瑞典心肺复苏术登记。这个工具在一定程度上旨在帮助医生鉴别哪些患者的风险的另一个心脏骤停或死亡在一年之内在心脏骤停后出院。它也旨在突出哪些因素是重要的心脏警方逮捕一名后长期生存方面的主题领域,尚未深入研究。

“这个工具的准确性是很不错的。它可以预测与可靠性70%病人是否会死,或者会有另一个心脏骤停,在一年之内。和弗雷德里克·的工具一样,这个的优点是几个因素可以预测结果几乎以及模型与数百个变量,“说古斯塔夫Hellsen,研究医生发明了这个决策支持工具。

“我们希望成功发展预测模型,以提高其精度。今天,它已经可以作为支持医生识别与一个重要的因素影响生存在心脏骤停患者出院。”

三个决策支持工具,用于心脏骤停的不同方面

目前,SCARS-1工具(由弗雷德里克•Hessulf解决生存和神经功能心脏骤停后30天)可以作为一个在线应用。SCARS-2(由古斯塔夫Hellsen和设计来支持决策的风险新的心脏骤停后放电)将很快推出。在2023年,出版SCARS-3(院内心脏骤停)也计划。

医生和其他卫生专业人员可以阅读更多关于这些决策支持工具和下载应用程序http://gocares.se。