Несколько исследований, представленных на 67-й ежегодной научной сессии Американского колледжа кардиологов, демонстрируют, как метод компьютерных наук, известный как машинное обучение, может быть использован для точного прогнозирования клинических результатов у пациентов с известными или потенциальными проблемами с сердцем. В совокупности результаты показывают, что машинное обучение может открыть новую эру в цифровых инструментах здравоохранения, способных улучшить оказание медицинской помощи, помогая рутинным процессам и помогая врачам оценивать риски для пациентов.
Хотя системы и алгоритмы клинической оценки давно используются в медицинской практике, в последние годы наблюдается заметный рост применения машинного обучения для улучшения таких инструментов. В отличие от традиционных алгоритмов, которые требуют, чтобы все вычисления были предварительно запрограммированы, алгоритмы машинного обучения выводят оптимальный набор вычислений путем поиска закономерностей в больших коллекциях данных о пациентах.
Новые исследования, представленные в ACC.18 демонстрируют, как машинное обучение можно использовать для прогнозирования таких результатов, как диагноз, смерть или повторная госпитализация; усовершенствовать стандартные инструменты оценки рисков; выяснить факторы, способствующие прогрессированию заболевания; или продвигать персонализированную медицину, прогнозируя реакцию пациента на лечение.
В одном исследовании ученые использовали машинное обучение, чтобы предсказать, у каких пациентов в конечном итоге будет диагностирован сердечный приступ после обращения в отделение неотложной помощи больницы с болью в груди. Боль в груди – одна из самых распространенных жалоб среди пациентов, посещающих отделение неотложной помощи, но лишь у меньшинства из этих пациентов в конечном итоге диагностируется сердечный приступ. В пилотном тесте алгоритм показал точность 94% для прогнозирования окончательного диагноза.
"Долгосрочная цель – выявить тех, кто подвергается наибольшему риску, и в первую очередь лечить этих пациентов," сказал Дэниел Линдхольм, доктор медицины, доктор философии, научный сотрудник Университета Упсалы в Швеции и ведущий автор исследования. "Если эта работа получит дальнейшее подтверждение, больницы потенциально могут использовать ее, чтобы быстро определять, какие пациенты наиболее больны, когда они прибывают в больницу, и это может привести к сокращению времени на лечение для тех, кто в нем больше всего нуждается."
Линдхольм и его коллега разработали и протестировали свой алгоритм, используя данные из более чем 8200 посещений отделений неотложной помощи в Стокгольме в период с 2011 по 2013 годы. На первом (обучающем) этапе алгоритм использовал данные из 5800 посещений пациентов для итеративного уточнения деревьев решений для определения диагноза сердечного приступа на основе таких факторов, как результаты анализа крови, показатели жизнедеятельности и история болезни пациента – те же данные, что и врач при первой встрече с пациентом.
На второй (валидационной) фазе алгоритм использует те же типы данных пациента из отдельного набора из 2400 посещений, включая результаты анализа крови, жизненно важные признаки и историю болезни, но информация об окончательном диагнозе сердечного приступа была исключена, чтобы проверить, насколько точно алгоритм мог предсказать, у каких пациентов в конечном итоге был диагностирован сердечный приступ.
В целом алгоритм смог точно предсказать диагноз сердечного приступа в 94 процентах случаев в наборе данных валидации. Девяносто процентов обычно считается высоким показателем точности для моделей этого типа. Исследователи также обработали данные валидации с помощью стандартной клинической модели (модель hsTnT, которая включает только возраст, пол пациента и уровни высокочувствительного тропонина), которая показала точность 88%. Результаты показывают, что подход машинного обучения может предложить существенное улучшение по сравнению с существующими инструментами поддержки принятия решений.
"В широком смысле методы машинного обучения существуют уже довольно давно, но только в последние несколько лет мы получили большие наборы данных и вычислительные возможности, чтобы использовать их в клинических приложениях," Линдхольм сказал. "Я думаю, что мы будем видеть все больше и больше систем поддержки принятия решений на основе машинного обучения. Но даже если машинное обучение может улучшить медицинскую практику, я не думаю, что эти алгоритмы в конечном итоге заменят врачей, а скорее обеспечат поддержку принятия решений на основе имеющихся данных. Другие вещи, такие как сочувствие, человеческое суждение и отношения между пациентом и врачом, имеют решающее значение."
По словам Линдхольма, чтобы приблизить свой алгоритм к клиническому применению, исследовательской группе необходимо сначала оценить его на более крупных наборах данных, которые включают большее количество больниц в различных условиях, а затем подтвердить его в проспективном клиническом исследовании.