Ang isang algorithm na natutunan mula sa libu-libong mga reseta ng nutrisyon para sa mga sanggol na wala sa panahon ay maaaring mabawasan ang mga error sa medikal at mas mahusay na matukoy kung anong mga sustansya ang kailangan ng pinakamaliit na pasyente.
Ang artificial intelligence ay maaaring mapabuti ang intravenous na nutrisyon para sa mga sanggol na wala sa panahon, isang pag-aaral sa Stanford Medicine ay nagpakita. Ang bago Gamot sa Kalikasan pag-aaral ay ginawang posible, sa bahagi, sa pamamagitan ng pagkakawanggawa—at isa sa mga unang nagpakita kung paano nagagawa ng AI algorithm ang mga doktor na gumawa ng mas mahusay na mga klinikal na desisyon para sa mga may sakit na bagong silang.
Gumagamit ang algorithm ng impormasyon sa mga elektronikong medikal na rekord ng preemies upang mahulaan kung aling mga nutrients ang kailangan nila at sa kung anong dami. Ang AI tool ay sinanay sa data mula sa halos 80,000 nakaraang mga reseta para sa intravenous nutrition, na naka-link sa impormasyon tungkol sa kung paano ang mga maliliit na pasyente.
Ang paggamit ng AI upang tumulong sa pagrereseta ng IV na nutrisyon ay maaaring mabawasan ang mga medikal na error, makatipid ng oras at pera, at gawing mas madali ang pag-aalaga ng mga preemies sa mga setting na mababa ang mapagkukunan, sinabi ng mga mananaliksik. Ang IV nutrition, na kilala rin bilang total parenteral nutrition, ay ang tanging paraan para pakainin ang mga preemies na ipinanganak bago pa mature ang kanilang digestive system upang sumipsip ng mga sustansya.
Huwag kailanman Makaligtaan ang isang Pambihirang tagumpay!
Mag-sign up para makatanggap ng pinakabagong balita sa kalusugan ng ina at anak—sa Stanford Medicine Children's Health at higit pa!
"Sa ngayon, nakakagawa kami ng reseta ng TPN para sa bawat sanggol, isa-isa, araw-araw. Ginagawa namin ito mula sa simula at ibinibigay ito sa kanila," sabi ng senior study author Nima Aghaeepour, PhD, associate professor ng anesthesiology, perioperative at pain medicine at ng pediatrics. "Ang kabuuang parenteral na nutrisyon ay ang nag-iisang pinakamalaking pinagmumulan ng medikal na error sa neonatal intensive care unit, kapwa sa Estados Unidos at sa buong mundo."
Hindi lamang madaling magkaroon ng error sa proseso ngunit ito rin ay nagpapahirap para sa mga doktor na malaman kung nakuha nila ang formula nang tama. Walang pagsusuri sa dugo upang sukatin kung ang isang preemie ay nakatanggap ng tamang bilang ng mga calorie bawat araw, halimbawa, at hindi tulad ng mga full-term na sanggol, ang mga preemie ay hindi palaging umiiyak kapag sila ay nagugutom at nagpapakita ng kasiyahan kapag sila ay busog.
"Ang nutrisyon ay isa sa mga lugar ng neonatal intensive care kung saan tayo ay pinakamahina," sabi ng coauthor ng pag-aaral David Stevenson, MD, isang neonatologist at ang Harold K. Faber Professor sa Pediatrics.
Isang mabagal na proseso
Humigit-kumulang 10% ng mga sanggol ang naipanganak nang wala sa panahon, ibig sabihin, tatlong linggo bago ang kanilang takdang petsa. Ang mga sanggol na ipinanganak nang higit sa walong linggo nang maaga ay hindi handang sumipsip ng mga sustansya sa pamamagitan ng kanilang mga bituka at nangangailangan ng IV feeding. Bilang karagdagan, ang ilang mga preemies ay nakakaranas ng mga gastrointestinal na komplikasyon ng maagang kapanganakan at nangangailangan ng IV na nutrisyon habang gumagaling ang bituka.
Sa kasalukuyan, ang IV na nutrisyon ay inireseta araw-araw para sa mga pasyenteng ito sa isang indibidwal na batayan. Ang mga pasyente ay nangangailangan ng macronutrients, ang molecular building blocks ng protina, taba at carbohydrates; micronutrients tulad ng mga bitamina, mineral at electrolytes; at mga gamot tulad ng heparin, na idinagdag sa paghahanda ng IV upang mabawasan ang panganib ng mga namuong dugo. Ang kasalukuyang mga reseta ay batay sa mga kadahilanan tulad ng bigat ng sanggol, yugto ng pag-unlad at ang mga resulta ng kanilang gawain sa laboratoryo.
Ang pagbibigay ng mga reseta na ito ay nangangailangan ng input mula sa anim na eksperto na nagtutulungan sa loob ng maraming oras na proseso: Isinulat ng isang neonatologist o parmasyutiko ang bawat reseta, na sinusuri ng isang dietitian para sa komposisyon ng nutrisyon at ng pangalawang parmasyutiko para sa kaligtasan. Ang reseta ay napupunta sa isang compounding pharmacy, kung saan ito inihahanda, pagkatapos ay sa neonatal intensive care unit, kung saan ang isang nars ay nagbibigay ng IV at ang pangalawang nars ay nag-double check na ang bawat pasyente ay tumatanggap ng tamang paghahanda.
"Ito ay isang mataas na panganib na gamot dahil ito ay isang halo ng maraming iba't ibang mga bagay," sabi ng co-author ng pag-aaral Shabnam Gaskari, PharmD, executive director at punong opisyal ng parmasya sa Stanford Medicine Children's Health. "Kung kami ay gumawa, handa nang gamitin na mga TPN, iyon ay magiging lubhang kapaki-pakinabang. Sa tingin ko ito ay magiging mas ligtas para sa mga pasyente."
Patungo sa mga karaniwang formula
Ang mga mananaliksik ay nagtaka kung maaari nilang gamitin ang AI upang makatulong na magbigay sa mga ospital ng mga manufactured, ready-to-use nutrient formula.
Ang kanilang AI algorithm ay sinanay sa 10 taon ng electronic medical record data mula sa neonatal intensive care unit sa Lucile Packard Children's Hospital Stanford, kabilang ang 79,790 na reseta para sa IV nutrition mula sa 5,913 premature na pasyente. Ang algorithm ay nagkaroon din ng access sa impormasyon tungkol sa mga medikal na resulta ng mga pasyente, na nagbibigay-daan dito upang makahanap ng mga banayad na pattern na nag-uugnay sa mga antas ng sustansya sa kalusugan ng mga sanggol. Bagama't hindi palaging nakuha ng mga doktor nang eksakto ang bawat naunang reseta, nakatulong ang dami ng data na madaig ang problemang iyon, na nagbibigay-daan sa algorithm na matuto sa pangkalahatang paraan tungkol sa kung ano ang gumagana para sa mga sanggol sa iba't ibang medikal na sitwasyon.
"Ito ay isang lakas ng AI: Minsan ang hindi perpektong data ay sapat na mabuti hangga't marami ka nito," sabi ni Aghaeepour.
Pagkatapos ng pagsasanay sa dekada ng data ng pasyente, pinagsama-sama ng algorithm ang mga katulad na reseta ng nutrisyon upang matukoy kung gaano karaming mga karaniwang formula ang makakatugon sa mga pangangailangan ng nutrisyon ng lahat ng pasyente, at kung ano ang mapupunta sa bawat isa.
"Nagtaka kami: Paano kung gumawa kami ng tatlong karaniwang mga formula, o 10, o 100?" Sabi ni Aghaeepour. "Lumalabas na may 15 natatanging formula para sa IV nutrition, ang iyong inirerekomenda ay halos kapareho ng kung ano ang gagawin ng mga doktor, parmasyutiko, at dietitian. Ngunit pagkatapos ay ang 15 AI-based na formula na ito ay maaaring gamitin upang makabuluhang mapabuti ang bilis at kaligtasan."
Dagdag pa, ipinakita ng mga mananaliksik na ang AI algorithm ay maaaring gumamit ng data mula sa mga elektronikong medikal na rekord ng mga pasyente upang mahulaan kung alin sa 15 na formula ang maaaring kailanganin ng bawat sanggol, at maaari nitong ayusin ang mga rekomendasyon sa bawat araw, habang lumalaki ang mga pasyente at nagbago ang kanilang kondisyong medikal. Kaya, ang algorithm ay maaaring magrekomenda na ang isang partikular na sanggol ay nangangailangan ng formula No. 8 sa loob ng limang araw, pagkatapos ay ang formula No. 3 sa isang linggo, pagkatapos ay ang formula No. 14 sa loob ng ilang araw, at iba pa.
Upang subukan kung paano sasalansan ang diskarteng ito laban sa mga tunay na reseta, ang pangkat ng pananaliksik ay lumikha ng isang pagsubok para sa 10 neonatologist: Ang mga doktor ay ipinakita sa klinikal na impormasyon para sa mga nakaraang pasyente, kasama ang mga reseta ng nutrisyon sa IV na aktwal nilang natanggap at ang mga reseta na irerekomenda ng algorithm. Hindi sinabi sa mga doktor kung aling reseta ang; tinanong sila kung alin sa tingin nila ang mas maganda. Patuloy na ginusto ng mga doktor ang mga reseta na binuo ng AI kaysa sa mga tunay na reseta.
Ginamit din ng mga mananaliksik ang AI upang i-scan ang mga elektronikong rekord ng medikal mula sa mga nakaraang pasyente, na naghahanap ng mga pagkakataon kung saan ang aktwal na reseta ng nutrisyon ng pasyente ay medyo iba sa kung ano ang irerekomenda ng AI. Para sa mga pasyenteng iyon, ang panganib ng pagkamatay, sepsis at sakit sa bituka ay mas mataas kaysa sa mga pasyente na ang mga reseta ay tumugma sa kung ano ang irerekomenda ng AI, natagpuan nila.
Pinatunayan din ng koponan ang modelo ng AI gamit ang totoong data mula sa Unibersidad ng California, San Francisco (kabilang ang 63,273 mga reseta ng nutrisyon mula sa 3,417 na mga pasyente) at nalaman na ang modelo ay gumawa ng isang mahusay na trabaho sa paghula ng mga pangangailangan sa nutrisyon para sa populasyon na ito, masyadong.
Mga hakbang sa pagpapatupad
Ang susunod na hakbang ay ang magpatakbo ng randomized na klinikal na pagsubok kung saan ang ilang mga pasyente ay tumatanggap ng mga reseta ng nutrisyon gamit ang manu-manong pamamaraan, ang iba ay tumatanggap ng mga reseta na inirerekomenda ng AI at nakikita ng mga mananaliksik kung paano ang pamasahe ng bawat grupo.
Ipagpalagay na ang sistema ay ipinatupad, plano ng koponan na patuloy na suriin ng mga doktor at parmasyutiko ang mga rekomendasyon ng AI at ayusin ang mga reseta kung kinakailangan.
Mga kontribyutor at tagasuporta
Ang mga siyentipiko mula sa University of Southern California Keck School of Medicine at Children's Hospital ng Los Angeles ay nag-ambag sa pananaliksik.
Ang gawaing ito ay suportado ng National Institutes of Health (grant R35GM138353), ang National Center for Advancing Translational Sciences (grant UL1TR001872), ang Eunice Kennedy Shriver National Institute of Child Health and Human Development (grant R42HD115517), ang Burroughs Wellcome Fund, ang March of Manternal Dimes and the Stanford Research Institute, ang Marso ng Maternal na Pananaliksik ng Stanford, at ang Stanford Foundation ng Stanford Health. SPARK Translational Research Program, Stanford High Impact Technology Fund, at Stanford Biodesign. Ang proyektong ito ay sinusuportahan din ng National Center for Advancing Translational Sciences, National Institutes of Health, sa pamamagitan ng UCSF Clinical & Translational Science Institute.
Gumawa ng regalo upang suportahan ang makabagong pananaliksik at pangangalaga sa mga ina at sanggol sa Lucile Packard Children's Hospital Stanford—at sa buong mundo.
