Usando “uns dados grandes” aproxime para tratar mais eficazmente a sepsia

A sepsia é um problema médico sério causado por uma resposta opressivamente à infecção que danifica tecidos e órgãos. É imprevisível, progride rapidamente, pode golpear qualquer um, e é uma causa principal de mortes hospital-relacionadas. Nos E.U. apenas, quase 270.000 povos morrem todos os anos da sepsia. Aqueles que sobrevivem à sepsia terminam frequentemente acima no hospital outra vez, e alguns têm complicações a longo prazo da saúde. O tratamento adiantado é chave para que muitos pacientes sobrevivam à sepsia, contudo os doutores não podem facilmente diagnosticá-la porque é tão complexa e cada paciente é diferente.

Apesar das décadas da pesquisa, a sepsia permanece uma condição deficientemente compreendida com as ferramentas diagnósticas limitadas e o tratamento. Para abordar estes obstáculos, os cientistas Vincent Liu, Christopher Seymour, e o Prescott de Hallie começaram usar “uma aproximação dos dados grandes”, que confiasse em programas informáticos complexos para peneirar com as enormes quantidade da informação. Neste caso, os computadores analisam dados tais como a informação demográfica, sinais vitais, e análises de sangue rotineiras nos registos de saúde eletrônicos de pacientes da sepsia. O objetivo é encontrar testes padrões nos dados que puderam ajudar doutores a compreender, prever, e tratar mais eficazmente a sepsia.

Aprendizagem de máquina

Vincent Liu, M.D., da divisão de Kaiser Permanente da pesquisa em Oakland, Califórnia, usos concessão da pesquisa dos seus investigador de aumento (MIRA) procurar os sinais que puderam identificar pacientes em risco da sepsia se tornando mesmo antes que verificam em departamentos de emergência. Despeja, diz, que tanto como enquanto a metade dos povos que desenvolvem a sepsia tinha visitado um doutor dentro de uma semana antes de sua admissão de hospital. Isto sugere que determinados sinais da doença gravados em registos de saúde eletrônicos poderiam fornecer um indício sobre que os pacientes são em risco da sepsia. Para identificar estes sinais “pre-sépticos”, o Dr. Liu usa a aprendizagem de máquina, em que os computadores analisam vastas quantidades de dados pacientes para revelar introspecções novas e para reconhecer os testes padrões que seriam impossíveis para que os seres humanos detectem.

O Dr. Liu igualmente usa a aprendizagem de máquina calcular apenas como cedo um tratamento para a sepsia poderia ser útil. Por exemplo, porque a sepsia começa tipicamente com uma infecção simples, os antibióticos são uma parte padrão do tratamento. Mas não seria prático ou seguro para doutores prescrever antibióticos a cada paciente em risco da sepsia. As bactérias estão crescendo cada vez mais resistentes aos antibióticos, e estes antibióticos têm efeitos secundários, tais como a matança das bactérias benéficas dos pacientes e a factura delas mais suscetíveis às infecções novas no futuro. A aprendizagem de máquina pode ajudar a identificar que pacientes beneficiariam o a maioria e teriam menos risco da administração adiantada dos antibióticos. As ferramentas eletrônicas poderiam rotineiramente identificar os sintomas os mais de alto risco da infecção assim que os pacientes saberão que sinais devem os alertar para obter uma atenção médica mais adiantada.

Tipos de sepsia

Christopher Seymour, M.D., da universidade do centro médico de Pittsburgh e da sua equipe está aprendendo como os pacientes da sepsia diferem de um outro. Seu MIRA apoia a sepsia ENdotyping no projecto dos cuidados de emergência (SENECA). No SENECA, o Dr. Seymour e seus colegas usaram ferramentas computacionais para analisar os registos de saúde de mais de 16.500 povos que foram diagnosticados com sepsia dentro de 6 horas de entrar em um hospital; o diagnóstico dentro de 6 horas melhora vastamente taxas de sobrevivência da sepsia. Os pesquisadores centrados sobre 29 factores diferentes, tais como a idade, sexo, sinais vitais, análises de sangue e contagens de pilha rotineiras, doenças simultâneas, e medidas do órgão funcionam. Igualmente usaram um grupo de mais de 43.000 pacientes com uma idade média similar, relação de sexo, resultados do laboratório, e outros dados clínicos.

A análise revelou quatro tipos distintos, ou fenótipos, da sepsia: alfa (α), beta (β), gama (γ), e delta (δ), que diferiu em suas características clínicas, resposta do anfitrião aos resultados da infecção, os curtos e os a longo prazo, e resposta IV aos líquidos. A equipe do Dr. Seymour continua a limpar computacionalmente através dos registos de saúde eletrônicos para compreender como os tratamentos actuais e futuros podem se aplicar a estes fenótipos. Ao mesmo tempo, a equipe está registrando pacientes da sepsia em um estudo novo projetado investigar os mecanismos biológicos que são a base dos quatro tipos. Um dia, estes fenótipos podem ajudar pesquisadores a projectar uns ensaios clínicos mais eficazes para a sepsia, doutores da assistência em diagnosticar a circunstância mais cedo, e aperfeiçoam procedimentos do tratamento.

Conseqüências da saúde da sepsia

O Prescott de Hallie, M.D., da Universidade do Michigan focaliza no que acontece aos pacientes da sepsia que sobrevivem à hospitalização inicial. Diz que muitos povos experimentam doenças físicas novas ou sintomas mentais, e é comum para que os pacientes entrem no hospital outra vez dentro de 3 meses. O Dr. Prescott quer compreender se estas conseqüências negativas vêm directamente da sepsia ou de outras doenças o paciente pôde já ter. Os doutores já sabem que determinadas condições pre-existentes tais como doenças auto-imunes fazem alguns pacientes mais provavelmente para desenvolver a sepsia no primeiro lugar.

O Dr. Prescott co-presidiu recentemente a colóquio internacional sobre a compreensão e a aumentação do survivorship da sepsia. O grupo concluiu que os estudos da sepsia se centram geralmente sobre a sobrevivência a curto prazo, tão lá é pouca informação no que acontece aos sobreviventes nos meses e nos anos após a sepsia. O grupo fez diversas recomendações avançar a pesquisa sobre o survivorship da sepsia. No curto prazo, recomendou que os hospitais harmonizam e compartilham de conjunto de dados existentes para facilitar a pesquisa. No longo prazo, os programas dedicados para estudar sobreviventes da sepsia são necessários. Este trabalho ajudará doutores a encontrar e ajudar os pacientes que são mais prováveis ter um prognóstico mais ruim após a sepsia.