Le modèle prévisionnel a pu améliorer des soins de sepsie

Les chercheurs du MIT et du Massachusetts General Hospital (MGH) ont développé un modèle prévisionnel qui pourrait guider des cliniciens en décidant quand donner les médicaments potentiellement de sauvetage aux patients étant traités pour la sepsie dans le service des urgences.

La sepsie est une des la plupart des causes fréquentes de l'admission, et l'une des la plupart des causes classiques de la mort, dans l'unité de soins intensifs. Mais l'immense majorité de ces patients entrent d'abord par l'ER. La demande de règlement commence habituellement par des antibiotiques et les liquides intraveineux, litres d'un couple à la fois. Si les patients ne répondent pas bien, ils peuvent entrer dans le choc infectieux, où leurs chutes de pression de pression sanguine dangereusement inférieures et organes défaillent. Alors elle est souvent hors circuit à l'ICU, où les cliniciens peuvent réduire ou arrêter les liquides et commencer des médicaments de vaso-presseur tels que la nopépinéphrine et la dopamine, pour soulever et mettre à jour la pression sanguine du patient.

C'est où les choses peuvent devenir délicates. Administrer des liquides trop longtemps peut ne pas être utile et pourrait même endommager organe, intervention tellement première de vaso-presseur peut être avantageux. En fait, la gestion tôt de vaso-presseur a été liée à la mortalité améliorée dans le choc infectieux. D'autre part, administrer des vaso-presseurs trop tôt, ou une fois non eu besoin, transporte ses propres conséquences négatives de santé, telles que des arythmies cardiaques et des dégâts de cellules. Mais il n'y a aucune réponse nette sur le moment où effectuer ce passage ; les cliniciens doivent type suivent attentivement d'autres sympt40mes du patient la pression sanguine et, et font alors un appel de jugement.

Dans un papier étant présenté cette semaine au colloque annuel de l'association américaine d'informatique médicale, les chercheurs de MIT et de MGH décrivent un modèle que « apprend » des caractéristiques de santé sur des patients de sepsie de soins d'urgence et prévoit si un patient aura besoin des vaso-presseurs dans les heures à venir. Pour l'étude, les chercheurs ont compilé l'ensemble de données tout premier de son genre pour des patients de sepsie d'ER. Dans le contrôle, le modèle a pu prévoir un besoin de vaso-presseur plus de 80 pour cent du temps.

La prévision tôt pourrait, notamment, éviter un séjour inutile d'ICU pour un patient qui n'a pas besoin de vaso-presseurs, ou commencer la préparation tôt pour l'ICU pour un patient qui fait, les chercheurs disent.

« Il est important d'avoir une bonne capacité distinctive entre qui a besoin de vaso-presseurs et qui ne fait pas [dans l'ER], » dit le premier l'auteur Varesh Prasad, un stagiaire de PhD dans le programme Harvard-MIT en sciences et technologies de santé. « Nous pouvons prévoir dans quelques heures si un patient a besoin de vaso-presseurs. Si, dans ce temps, les patients obtenaient trois litres IV de liquide, qui pourraient être excessifs. Si nous savions à l'avance ces litres n'allaient pas aider de toute façon, ils pourraient avoir commencé sur des vaso-presseurs plus tôt. »

Dans un réglage clinique, le modèle pourrait être mis en application dans un moniteur de chevet, par exemple, qui suit des patients et envoie des alertes aux cliniciens dans l'ER souvent-agité au sujet de le moment où commencer des vaso-presseurs et réduire des liquides. « Ce modèle serait une vigilance ou système de surveillance fonctionnant à l'arrière-plan, » dit le co-auteur Thomas Heldt, professeur de développement de la vie professionnelle de W.M. Keck dans l'institut de MIT de la technologie médicale et de la Science. « Il y a beaucoup de cas de sepsie que [des cliniciens] comprenez clairement, ou n'a pas besoin de n'importe quel support avec. Les patients pourraient être si malades à l'exposé initial que les médecins connaissent exact quoi faire. Mais il y a également « une zone grise, « où ces genres d'outils deviennent très importants. »

Les co-auteurs sur le papier sont James C. Lynch, un étudiant de troisième cycle de MIT ; et Trent D. Gillingham, Saurav Népal, Michael R. Filbin, et Andrew T. Reisner, tout le MGH. Heldt est également un professeur adjoint d'élém. élect. et de génie biomédical dans le service du MIT du génie électrique et de l'informatique et un investigateur principal dans le laboratoire de recherche de l'électronique.

D'autres modèles ont été établis pour prévoir quels patients sont en danger pour la sepsie, ou quand administrer des vaso-presseurs, dans ICUs. Mais c'est le premier modèle qualifié sur la tâche pour l'ER, Heldt dit. « [L'ICU] est un stade avancé pour la plupart des patients de sepsie. L'ER est la première remarque du contact patient, où vous pouvez prendre les décisions importantes qui peuvent effectuer une disparité dans les résultats, » Heldt dit.

Le défi primaire a été un manque d'une base de données d'ER. Les chercheurs ont travaillé avec des cliniciens de MGH sur plusieurs années pour compiler des dossiers médicaux de presque 186.000 patients qui ont été soignés dans le service des urgences de MGH à partir de 2014 à 2016. Quelques patients dans l'ensemble de données avaient reçu des vaso-presseurs dans les 48 premières heures de leur visite d'hôpital, alors que d'autres n'avaient pas. Deux chercheurs ont manuellement observé tous les dossiers des patients présentant le choc infectieux susceptible pour inclure la période exacte de la gestion de vaso-presseur, et d'autres annotations. (Le temps moyen de l'exposé des sympt40mes de sepsie à l'amorçage de vaso-presseur était environ six heures.)

Les dossiers ont été fait au hasard divisés, avec 70 pour cent utilisés pour former le modèle et 30 pour cent pour le vérifier. Dans la formation, le modèle a extrait jusqu'à 28 de 58 caractéristiques possibles des patients que nécessaire ou n'a pas eu besoin de vaso-presseurs. Les caractéristiques ont compris la pression sanguine, le temps écoulé de l'admission initiale d'ER, le volume liquide de total administré, le rythme respiratoire, l'état mental, la saturation de l'oxygène, et les changements du volume systolique cardiaque -- combien de sang le coeur pompe dans chaque battement.

Dans le contrôle, le modèle analyse plusieurs ou toutes ces caractéristiques dans un patient neuf à intervalles de temps de mise en route et recherche des configurations indicatives d'un patient que les vaso-presseurs éventuel nécessaires ou n'ont pas fait. Basé sur cette information, il effectue une prévision, à chaque intervalle, au sujet de si le patient aura besoin d'un vaso-presseur. En prévoyant si les patients ont eu besoin de vaso-presseurs en deux prochains heures ou plus, le modèle était des 80 à 90 pour cent correct du temps, qui pourrait éviter une moitié excessive par litre ou plus de liquides administrés, en moyenne.

« Le modèle prend fondamentalement un ensemble de signes vitaux actuels, et un peu derrière de ce que la trajectoire ressemble, et détermine que cette observation actuelle propose ce patient pourrait avoir besoin de vaso-presseurs, ou cet ensemble de variables propose que ce patient n'ait pas besoin de elles, » Prasad dit.

Ensuite, les chercheurs visent à augmenter le travail pour produire plus d'outils qui prévoient, en temps réel, si les patients d'ER peuvent au commencement être en danger pour la sepsie ou le choc infectieux. « L'idée est d'intégrer tous ces outils dans un pipeline qui aidera à manager des soins quand ils entrent dans d'abord l'ER, » de Prasad dit.

L'idée est d'aider des cliniciens aux services des urgences dans les hôpitaux importants tels que MGH, qui voit environ 110.000 patients annuellement, orientation sur les la plupart des populations à risque pour la sepsie. « Le problème avec la sepsie est l'exposé du patient démonte souvent le sérieux du procédé de maladie sous-jacente, » Heldt dit. « Si quelqu'un entre avec la faiblesse et ne se sent pas à droite, un peu les liquides peut souvent faire le tour. Mais, dans certains cas, ils ont la sepsie fondamentale et peuvent détériorer très rapidement. Nous voulons pouvoir dire quels patients sont devenus meilleurs et ce qui sont sur un circuit critique si laissé non traité. »

Source : http://news.mit.edu/2018/machine-learning-sepsis-care-1107