Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'artificial intelligence d'utilisation d'hôpitaux oxygène de prévoir de Covid patients le' a besoin

L'hôpital d'Addenbrooke à Cambridge avec 20 autres hôpitaux de l'autre côté du monde et du chef de technologie de santé, NVIDIA, ont employé l'artificial intelligence (AI) de prévoir les besoins de l'oxygène des patients de Covid à l'échelle mondiale.

La recherche a été suscitée par la pandémie et s'est mise à établir un outil d'AI pour prévoir de combien d'oxygène supplémentaire un patient Covid-19 peut avoir besoin pendant les premiers jours des soins hospitaliers, utilisant des caractéristiques de l'autre côté de quatre continents.

La technique, connue sous le nom d'apprendre fédéré, a employé un algorithme pour analyser des radiographies de la poitrine et des caractéristiques électroniques de santé des patients hospitalisés avec des sympt40mes de Covid.

Pour mettre à jour la confidentialité patiente stricte, la caractéristique patiente était entièrement anonyme et un algorithme a été envoyé à chaque hôpital ainsi aucune caractéristique n'a été partagée ou a quitté son emplacement.  

Une fois que l'algorithme « avait appris » des caractéristiques, l'analyse a été rassemblée pour établir un outil d'AI qui pourrait prévoir les besoins de l'oxygène des patients de Covid d'hôpital n'importe où dans le monde.

Aujourd'hui publié en médicament de nature, l'EXAMEN aboubé par étude (pour le modèle d'EMR CXR AI), est un de plus grand, le plus divers apprendre fédéré clinique étudie jusqu'à présent.

Pour vérifier l'exactitude de l'EXAMEN, il a été vérifié à l'extérieur dans un certain nombre d'hôpitaux en travers de cinq continents, y compris l'hôpital d'Addenbrooke.  Les résultats l'ont montré qu'a prévu l'oxygène requis dans un délai de 24 heures de l'arrivée d'un patient au service des urgences, avec une sensibilité de 95 pour cent et d'une spécificité de plus de 88 pour cent.

« Apprendre fédéré a le pouvoir transformatif de porter l'innovation d'AI au flux de travail clinique, » a dit professeur Fiona Gilbert, qui a abouti l'étude à Cambridge et est radiologue honorifique de conseiller à l'hôpital et à la présidence d'Addenbrooke de la radiologie à l'université de l'école de Cambridge de la médecine clinique.

« Notre travail prolongé avec l'EXAMEN explique que ces genres de collaborations globales sont reproductibles et plus efficaces, de sorte que nous puissions répondre aux besoins des cliniciens d'aborder des défis complexes de santé et de futures épidémies. »

Le premier auteur sur l'étude, M. Ittai Dayan, du Général de masse Bingham aux USA, où l'algorithme d'EXAMEN a été développé, a dit :

« Habituellement dans le développement d'AI, quand vous produisez un algorithme sur une caractéristique de l'hôpital, cela ne fonctionne bien à aucun autre hôpital. En élaborant le modèle d'EXAMEN utilisant apprendre fédéré et des caractéristiques objectives et multimodales de différents continents, nous pouvions établir un modèle généralisable qui peut aider des médecins de ligne du front mondiaux. »

Rassemblant des collaborateurs en travers de nord et l'Amérique du Sud, Europe et l'Asie, l'étude d'EXAMEN a pris juste deux semaines d'AI « apprenant » à réaliser les prévisions de haute qualité.

Apprendre fédéré a permis à des chercheurs de collaborer et de fixer une norme neuve pour ce que nous pouvons faire mondial, utilisant le pouvoir de l'AI. Ceci avancera l'AI pas simplement pour la santé mais en travers de toutes les industries examinant pour établir les modèles robustes sans sacrifier le secret. »

M. Mona G Flores, tête globale pour l'AI médicale chez NVIDIA

Les résultats d'environ 10.000 patients de COVID de l'autre côté du monde se sont analysés dans l'étude, y compris 250 qui est venu à l'hôpital d'Addenbrooke dans la première onde pandémie de l'en mars/en avril 2020.

La recherche a été supportée par l'institut national pour le centre de recherche biomédicale de Cambridge des recherches de santé (NIHR) (BRC).

Le travail sur le modèle d'EXAMEN a prolongé. Le Général de masse Brigham et le NIHR Cambridge BRC travaillent avec la santé de démarrage de rhinocéros de commencement de NVIDIA, cofounded par M. Dayan, pour faire fonctionner des études prospectives utilisant l'EXAMEN.

Professeur Gilbert a ajouté : « Produire le logiciel pour apparier le rendement de nos meilleurs radiologues est complexe, mais une aspiration véritablement transformative. Plus nous pouvons sécurisé intégrer des caractéristiques de différentes sources utilisant apprendre et collaboration fédérées, et faisons requis l'espace pour innover, plus rapides les universitaires pouvons effectuer à ces objectifs transformatifs une réalité. »

Source:
Journal reference:

Dayan, I., et al. (2021) Federated learning for predicting clinical outcomes in patients with COVID-19. Nature Medicine. doi.org/10.1038/s41591-021-01506-3.