//O sistema de aprendizado de máquina no tratamento da sepse
aprendizado

O sistema de aprendizado de máquina no tratamento da sepse

A sepse ceifa a vida de quase 270.000 pessoas nos Estados Unidos a cada ano. A condição médica imprevisível pode progredir rapidamente, levando a uma queda rápida da pressão arterial, danos aos tecidos, falência de múltiplos órgãos e morte.

Intervenções imediatas por profissionais médicos salvam vidas, mas alguns tratamentos de sepse também podem contribuir para a deterioração do paciente, portanto, escolher a terapia ideal pode ser uma tarefa difícil. Por exemplo, nas primeiras horas da sepse grave, administrar muito líquido por via intravenosa pode aumentar o risco de morte do paciente.

Para ajudar os médicos a evitar remédios que podem contribuir potencialmente para a morte de um paciente, pesquisadores do MIT e de outros lugares desenvolveram um modelo de aprendizado de máquina que pode ser usado para identificar tratamentos que apresentam um risco maior do que outras opções. Seu modelo também pode alertar os médicos quando um paciente séptico está se aproximando de um beco sem saída médico – o ponto em que o paciente provavelmente morrerá, não importa qual tratamento seja usado – para que eles possam intervir antes que seja tarde demais.

Quando aplicado a um conjunto de dados de pacientes com sepse em uma unidade de terapia intensiva de um hospital, o modelo dos pesquisadores indicou que cerca de 12% por cento dos tratamentos administrados a pacientes que morreram foram prejudiciais. O estudo também revela que cerca de 3% dos pacientes que não sobreviveram entraram em um beco sem saída médico 48 horas antes de morrer.

“Vemos que nosso modelo está quase oito horas à frente do reconhecimento médico da deterioração do paciente. Isso é poderoso porque nessas situações realmente delicadas, cada minuto conta, e estar ciente de como o paciente está evoluindo e do risco de administrar determinado tratamento a qualquer momento é muito importante ”, diz Taylor Killian, estudante de graduação no Grupo Healthy ML do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL).

Se juntando a Killian no papel estão seu conselheiro, Professor Assistente Marzyeh Ghassemi, chefe do grupo Healthy ML e autor sênior; o autor principal Mehdi Fatemi, pesquisador sênior da Microsoft Research; e Jayakumar Subramanian, pesquisador sênior da Adobe Índia. A pesquisa está sendo apresentada na Conferência sobre Sistemas de Processamento de Informação Neural desta semana.  

Escassez de dados

Este projeto de pesquisa foi estimulado por um artigo de 2019 que Fatemi escreveu que explorou o uso de aprendizagem por reforço em situações em que é muito perigoso explorar ações arbitrárias, o que torna difícil gerar dados suficientes para treinar algoritmos de maneira eficaz. Essas situações, em que mais dados não podem ser coletados proativamente, são conhecidas como configurações “offline”.

Na aprendizagem por reforço, o algoritmo é treinado por tentativa e erro e aprende a realizar ações que maximizam seu acúmulo de recompensa. Mas em um ambiente de saúde, é quase impossível gerar dados suficientes para esses modelos aprenderem o tratamento ideal, uma vez que não é ético experimentar possíveis estratégias de tratamento.

Então, os pesquisadores inverteram o aprendizado por reforço de cabeça para baixo. Eles usaram os dados limitados de uma UTI de hospital para treinar um modelo de aprendizado de reforço para identificar os tratamentos a serem evitados, com o objetivo de evitar que o paciente entre em um beco sem saída médico.

aprendizado

aprendizado
Utilizando algoritmos de aprendizado de máquina foi possível melhorar a qualidade dos diagnósticos.

Aprender o que evitar é uma abordagem estatisticamente mais eficiente que requer menos dados, explica Killian.

“Quando pensamos em becos sem saída para dirigir um carro, podemos pensar que é o fim da estrada, mas você provavelmente poderia classificar cada pé ao longo dessa estrada em direção ao beco sem saída como um beco sem saída. Assim que você se afasta de outra rota, você está em um beco sem saída. Então, é assim que definimos um beco sem saída médico: uma vez que você segue um caminho onde qualquer decisão que você tomar, o paciente irá progredir em direção à morte ”, diz Killian.

“Uma ideia central aqui é diminuir a probabilidade de selecionar cada tratamento na proporção de sua chance de forçar o paciente a entrar em um beco sem saída médico – uma propriedade que é chamada de segurança do tratamento. Este é um problema difícil de resolver, pois os dados não nos fornecem diretamente tal insight. Nossos resultados teóricos nos permitiram reformular essa ideia central como um problema de aprendizagem por reforço ”, diz Fatemi.

Para desenvolver sua abordagem, chamada Dead-end Discovery (DeD), eles criaram duas cópias de uma rede neural. A primeira rede neural se concentra apenas em resultados negativos – quando um paciente morreu – e a segunda rede se concentra apenas em resultados positivos – quando um paciente sobreviveu. Usar duas redes neurais separadamente permitiu aos pesquisadores detectar um tratamento de risco em uma e depois confirmá-lo usando a outra.

Eles alimentaram cada rede neural com estatísticas de saúde do paciente e um tratamento proposto. As redes geram um valor estimado daquele tratamento e também avaliam a probabilidade de o paciente entrar em um beco sem saída médico. Os pesquisadores compararam essas estimativas para definir limites para ver se a situação levanta algum sinalizador.

Uma bandeira amarela significa que um paciente está entrando em uma área de preocupação, enquanto uma bandeira vermelha identifica uma situação em que é muito provável que o paciente não se recupere.

Tratamento é importante

Os pesquisadores testaram seu modelo usando um conjunto de dados de pacientes presumivelmente sépticos da unidade de terapia intensiva do Beth Israel Deaconess Medical Center. Este conjunto de dados contém cerca de 19.300 admissões com observações tiradas de um período de 72 horas centrado em torno do momento em que os pacientes manifestaram os primeiros sintomas de sepse. Seus resultados confirmaram que alguns pacientes no conjunto de dados encontraram becos sem saída médicos.

aprendizado
A utilização do método melhorará o diagnóstico e o tratamento dos pacientes.

Os pesquisadores também descobriram que 20 a 40 por cento dos pacientes que não sobreviveram levantaram pelo menos uma bandeira amarela antes de sua morte, e muitos levantaram essa bandeira pelo menos 48 horas antes de morrer. Os resultados também mostraram que, ao comparar as tendências de pacientes que sobreviveram e pacientes que morreram, uma vez que um paciente levanta sua primeira bandeira, há um desvio muito acentuado no valor dos tratamentos administrados. A janela de tempo em torno do primeiro sinalizador é um ponto crítico ao tomar decisões de tratamento.

“Isso nos ajudou a confirmar que o tratamento é importante e o tratamento se desvia em termos de como os pacientes sobrevivem e como os pacientes não. Descobrimos que mais de 11% dos tratamentos subótimos poderiam ter sido evitados porque havia melhores alternativas disponíveis para os médicos naquela época. Este é um número bastante significativo, quando você considera o volume mundial de pacientes sépticos no hospital em determinado momento ”, diz Killian.

No futuro, os pesquisadores também desejam estimar as relações causais entre as decisões de tratamento e a evolução da saúde do paciente. Eles planejam continuar aprimorando o modelo para que ele possa criar estimativas de incerteza em torno dos valores de tratamento que ajudariam os médicos a tomar decisões mais informadas. Outra forma de fornecer validação adicional do modelo seria aplicá-lo a dados de outros hospitais, o que eles esperam fazer no futuro. Para saber mais sobre o tratamento e suas possibilidades leia a matéria completa no site.

Para continuar aprendendo sobre o mundo da indústria 4.0 acesse o nosso site.