Para peneliti Emory University menggunakan Google Cloud Platform untuk memprediksi sepsis pada pasien perawatan intensif

Dengan menggabungkan data klinis, machine learning, dan infrastruktur skalabel dari Google Cloud Platform, mesin prediksi sepsis Emory University menggunakan analisis real-time agar dapat memberikan perawatan lebih baik bagi pasien yang berisiko sembari mengontrol biaya medis yang harus dikeluarkan.

Sepsis, respons autoimun terhadap infeksi, adalah salah satu kondisi paling mematikan dan paling mahal perawatannya di rumah sakit AS, yang menyerang sekitar 750.000 orang Amerika setiap tahunnya. Deteksi dan pencegahan dini dapat secara dramatis menyelamatkan nyawa, menghemat biaya, dan sumber daya, namun saat ini belum ada cara yang dapat diandalkan untuk mendiagnosis sepsis dengan cepat. Dr. Shamim Nemati dan Dr. Ashish Sharma di Department of Biomedical Informatics, Emory University’s School of Medicine mengambil pendekatan inovatif untuk tantangan ini: dengan menggunakan catatan kesehatan elektronik anonim yang dikumpulkan dari 30.000 pasien di unit perawatan intensif (ICU) Emory, Dr. Nemati menciptakan mesin AI untuk menganalisis 65 variabel yang relevan, termasuk tanda-tanda vital, demografi pasien, dan hasil lab. Dengan terus memantau aliran data pasien setiap 5 menit, mesin prediksi sepsis membangun skor komposit secara real-time, yang dapat memprediksi kemungkinan berkembangnya sepsis dan menampilkan temuannya di dasbor agar dokter dapat mengevaluasinya. Karena deteksi dini adalah kunci, dokter dapat melihat skor dan alasannya ketika perawatan dengan antibiotik adalah yang paling efektif.

"Dengan mengonversi algoritme prediksi sepsis berbasis TensorFlow menjadi Aplikasi dan menjalankannya di Google App Engine, kami dapat sepenuhnya menyederhanakan persyaratan infrastruktur untuk menjalankan serta meningkatkan penerapan, dan hanya berfokus pada penyempurnaan algoritme kami."

Shamim Nemati, Emory University, Assistant Professor, Department of Biomedical Informatics

Solusi perawatan kritis

Mesin ini memiliki 3 komponen penting: kumpulan data yang masuk dan tersimpan, algoritme AI yang menganalisis data, dan antarmuka pengguna front-end untuk dokter. Input dan penyimpanan data sangatlah kompleks: puluhan megabyte data resolusi tinggi seperti tekanan darah dan tingkat pernapasan setiap pasien harus ditandai waktunya, dijaga privasi dan keamanannya, serta diproses secara cepat untuk menghasilkan hasil yang tepat waktu di bawah kondisi berisiko tinggi. Mesin kemudian menghasilkan Skor Risiko Sepsis gabungan yang ditampilkan pada dasbor yang didesain untuk memudahkan dokter membacanya secara cepat. Sistem alarm memberi tahu dokter ketika pasien mencapai ambang kemungkinan terkena sepsis, sehingga memudahkan perawat yang sibuk untuk merespons dengan cepat.

Dr. Sharma mendesain mesin pada Google Cloud Platform (GCP) menggunakan kumpulan fitur GCP dan open source yang terintegrasi, seperti TensorFlow dan kumpulan microservices terkemas yang menghasilkan pemrosesan input data, analisis prediktif, serta output yang lancar dan cepat ke antarmuka frontend. Semua hal tersebut dijalankan secara real-time. Dengan membangun database Fast Healthcare Interoperability Resources (FHIR) pada GCP, Nemati dan Sharma memastikan bahwa mesin tersebut dapat diadaptasikan dan beroperasi di seluruh organisasi mereka pada platform yang andal, aman, dan pribadi, yang juga terintegrasi dengan project lain di teknologi cloud, seperti perangkat pemantauan wearable yang sudah digunakan di rumah sakit Emory.

Penskalaan melalui Google Cloud Platform

Sejauh ini, Nemati, Sharma, dan tim mereka di Emory telah berpartner dengan Emory eICU Center untuk memvalidasi mesin terhadap data yang dihosting di server lokal, menguji rentang waktu yang berbeda sebelum mencapai akurasi 85% yang impresif dalam memprediksi sepsis 4 hingga 6 jam sebelum serangan sepsis terjadi. Agar dapat menerapkan program di situs lain, mereka beralih ke App Engine. "Dengan mengubah algoritme prediksi sepsis berbasis TensorFlow menjadi Aplikasi dan menjalankannya di Google App Engine, kami dapat sepenuhnya menyederhanakan persyaratan infrastruktur untuk menjalankan serta meningkatkan penerapan, dan hanya berfokus pada penyempurnaan algoritme kami," Nemati menegaskan.

Setelah mengetahui mesin tersebut dapat berfungsi baik, mereka berencana untuk mengujinya dengan lebih banyak pengguna, baik pasien maupun dokter. Mereka juga mentransfer algoritme ini ke Google Cloud Machine Learning Engine dan TPU untuk mendapatkan performa dan skalabilitas yang lebih baik, serta menggabungkan enkripsi menyeluruh untuk meminimalkan potensi paparan data pasien. Dengan melakukan studi yang terdistribusi luas di GCP, mereka dapat mengajukan serangkaian pertanyaan baru: Rentang waktu seperti apa yang ideal untuk membuat prediksi akurat atau mengoptimalkan perawatan? Apakah mesin akan mendukung dokter dalam membantu pasien dengan lebih baik? Bagaimana Skor Risiko memengaruhi perawatan di berbagai rumah sakit dengan alur kerja dan budaya lokal mereka masing-masing?

Pada akhirnya, yang terpenting adalah hasil medis yang lebih baik untuk para pasien yang sedang terbaring di ICU, dan Sharma sadar akan hal itu. "Algoritme ini berhasil melakukan pekerjaan fantastis seperti itu karena kemampuannya memberikan informasi di jendela yang dapat ditindaklanjuti ketika dokter harus melakukan intervensi penting bagi pasien. Selain itu, algoritme ini juga mengungkapkan logika deep learning untuk memberi tahu dokter mengapa menurut algoritme tersebut pasien saat ini berada dalam risiko”. Nemati sepakat dengan hal ini, "Artikel NEJM 2017 menunjukkan bahwa untuk setiap jam keterlambatan perawatan sepsis, risiko kematian pasien meningkat sebesar 4 persen. Jadi berapa persentase kehidupan yang dapat diselamatkan jika kita mampu mendiagnosis sepsis dengan cara ini kemudian memberi pasien antibiotik secara tepat waktu? Kami belum tahu, tetapi itulah yang saat ini sedang diuji di Emory, dan kami perlu menunjukkan bahwa hal ini dapat dipakai sebagai acuan."

"Algoritme ini berhasil menjalankan pekerjaan fantastis seperti itu karena kemampuannya menyediakan informasi di jendela yang dapat ditindaklanjuti ketika dokter harus mengambil tindakan yang tepat dan cepat bagi pasien."

Ashish Sharma, Emory University, Assistant Professor, Department of Biomedical Informatics

Profil Organisasi

Dengan 15.000 mahasiswa sarjana dan pascasarjana, serta banyak pengajar dan staf fakultas, Emory University adalah lembaga dengan jumlah karyawan terbesar kedua di wilayah metropolitan Atlanta dan jaringan layanan kesehatannya adalah yang terbesar di negara bagian ini. Department of Biomedical Informatics di School of Medicine mereka, yang didirikan pada tahun 2011, memiliki spesialisasi dalam project multidisiplin yang mengintegrasikan penelitian klinis dan ilmu data.

Produk yang digunakan

Terima kasih telah mendaftar!

Beri tahu kami tentang minat Anda.