Technology

eHealth NSW menggunakan AI untuk mendeteksi sepsis saat dirawat di rumah sakit – Cloud – Software

eHealth NSW telah memulai uji coba klinis sistem prediksi sepsis yang menggunakan Amazon SageMaker untuk mendeteksi kondisi yang mengancam jiwa pada pasien yang tiba di bagian gawat darurat rumah sakit.

Ilmuwan data senior di eHealth NSW, Mostafa Shaikh, mengatakan kepada AWS Sydney Summit minggu lalu bahwa proyek tersebut baru-baru ini telah mencapai “go-live klinis” di satu rumah sakit yang tidak disebutkan namanya.

Uji coba, yang akan berjalan hingga Agustus, merupakan pendahulu dari peluncuran yang lebih luas jika eHealth NSW, cabang digital dari NSW Health, dapat menunjukkan “peningkatan signifikan” dalam deteksi dini sepsis, katanya.

eHealth NSW telah bekerja pada sistem deteksi sepsis prediktif setidaknya sejak 2019 untuk mengidentifikasi orang-orang yang berisiko sepsis di ruang tunggu gawat darurat (ED) dari tanda-tanda vital mereka.

Sepsis adalah suatu kondisi akibat infeksi yang memicu respons sistem kekebalan yang ekstrem, dan dapat menyebabkan syok, kegagalan organ, atau kematian.

Pasien yang tiba di rumah sakit NSW dengan kemungkinan kondisi septik saat ini memiliki risiko kematian 20 persen, angka yang naik hingga 40 persen jika tidak segera diobati dengan antibiotik.

“Ada sekitar 5.000 kematian per tahun di mana penyebab utama yang mendasari adalah sepsis, dan lebih dari 15.000 pasien dirawat di ICU … karena syok septik atau kondisi septik yang parah,” kata Mostafa.

Meskipun ada sistem deteksi sepsis berbasis aturan yang ada, pendekatan ini bergantung pada dokter yang mengisi formulir kertas, “sensitivitas rendah” dan “sering gagal untuk menandai kasus positif yang sebenarnya”.

“Karena ini adalah pendekatan berbasis kertas, dokter perlu menghitung risiko secara manual, yang seringkali sulit untuk berinteraksi dengan kondisi pasien dan tindakan vital,” katanya.

“Dari data historis, kami telah mengamati bahwa sistem berbasis kertas dapat menandai hanya dua hingga dua setengah persen dari presentasi ED sebagai positif benar, dengan tingkat positif palsu yang lebih tinggi yang sering menyebabkan kelelahan pada perawat UGD.

“Tetapi pada kenyataannya, sekitar lima hingga tujuh persen dari presentasi terkait dengan sepsis. Oleh karena itu, ada ruang untuk perbaikan pada sistem berbasis aturan saat ini, yang ingin ditangani oleh proyek ini.”

Pemodelan risiko

Dengan sistem prediksi berbasis AI, eHealth NSW berharap untuk “meningkatkan deteksi kasus positif yang sebenarnya… dan kehilangan lebih sedikit kasus” dengan “menerapkan definisi klinis sepsis dalam model”.

Sistem ini menggunakan tanda vital pasien – yang dicatat langsung ke dalam sistem rekam medis elektronik (eMR) negara bagian oleh dokter yang merawat – untuk menghitung risiko sepsis.

“Saat pasien tiba di UGD, biasanya perawat triase berkonsultasi dengan pasien, memeriksa tanda-tanda vital pasien seperti detak jantung, saturasi oksigen, tekanan darah dan suhu,” kata Mostafa.

“Pengamatan ini kemudian direkam ke dalam sistem eMR.

“Sistem sepsis prediktif mendapatkan data [that is] masuk ke eMR hampir secara real-time, dan memberikan daftar pasien yang berisiko sepsis menunggu di ruang UGD.”

eHealth menjalankan data vital melalui tiga model berbeda; akurasi setiap model bervariasi, tergantung pada usia pasien dan variabel lainnya.

Misalnya, model linier ditemukan bekerja lebih baik untuk pasien yang lebih tua, sementara model regresi logistik bekerja lebih baik untuk pasien yang lebih muda.

“Karena tidak ada pemenang yang jelas dalam hal ketiga model ini, kami telah mengambil ketiga model untuk mencetak kumpulan pengamatan yang sama dalam pendekatan ensemble,” kata Mostafa.

“Sistem monitor model Amazon SageMaker membantu kami mengawasi metrik kinerja model.”

Dokter dapat mengakses daftar pasien yang diprediksi mengalami sepsis melalui dasbor Tableau.

Mostafa mengatakan dasbor berfungsi sebagai “pendeteksi titik buta bagi dokter untuk pasien yang mungkin tampak sehat, tetapi dapat mengembangkan risiko sepsis jika tidak ditangani lebih awal”.

“Melalui dasbor ini, dokter dapat melihat pasien yang paling berisiko dan jika diperlukan, periksa kembali tanda vital mereka dan dapat menerapkan intervensi sebelumnya seperti memberikan antibiotik atau melakukan tes gas darah untuk mengurangi risiko sepsis,” katanya.

Langkah selanjutnya

eHealth NSW mengukur keberhasilan proyek menggunakan KPI seperti pengurangan kematian, pengurangan waktu untuk pengobatan dengan antibiotik, dan lebih sedikit pasien yang masuk kembali ke UGD dengan kondisi septik.

“Model deret waktu struktural Bayesian digunakan untuk membandingkan dampak alat terhadap situs serupa tanpanya, untuk memperhitungkan tren makro apa pun yang terjadi,” kata Mostafa.

Mostafa mengatakan eHealth NSW akan berupaya “mengembangkan kasus bisnis untuk menskalakan solusi ke rumah sakit tambahan” jika uji coba klinis menunjukkan “peningkatan signifikan dalam hasil pasien”.

Posted By : pengeluaran hk hari ini 2021