S plánováním kapacit při covidu může pomoci umělá inteligence. Vědci z Indiany ukázali jak

Uplynulé dva roky nám ukázaly, jak je důležité umět se připravit na tlak, pod nímž se mohou ocitnout naše nemocnice. K tomu, abychom dopředu uměli s velkou přesností určit, kolik pacientů bude po nákaze covidem potřebovat hospitalizaci a případně intenzivní péči, začali odborníci po celém světě vyvíjet modely, které nám takováto data prozradí. Nejnovějším přírůstkem na tomto poli je výzkum vědců z americké Indiany, kteří využili umělou inteligenci, aby klinická data ze zdravotnických systémů propojili s rozhodováním na poli veřejného zdraví. Své poznatky nyní publikovali v časopise Journal od Medical Internet Research.

Pandemie covid-19 nám ukázala nezbytnost, ale také obtížnost využití klinických dat k tomu, aby příslušné národní či regionální autority mohly dělat správná rozhodnutí na poli veřejného zdraví. Nová studie Institutu Regenstrief s Indianské univerzity publikovaná nyní v časopise Journal of Medical Internet Research ukázala, že modely strojového učení vytrénované k využití klinických dat získaných z celostátní výměny zdravotnických informací mohou na úrovni pacienta predikovat pravděpodobnost hospitalizace s covidem.

„Bylo velkou výzvou dát dohromady data generovaná zdravotnickými systémy a rozhodování o veřejném zdraví, což jsou dvě věci, které byly dlouho oddělené a odlišné. Naše práce ukazuje, jak můžete postavit a využít modely umělé inteligence, abyste bezpečně využili klinická data z výměny zdravotnických informací a využili je k podpoře veřejného zdraví například tím, že předpovíte obsazenost nemocnic během jednoho týdne a pak do šesti týdnů od začátku infekce koronavirem,“ vysvětlil v tiskové zprávě jeden z autorů studie Shaun Grannis, viceprezident pro data a analytiku Institutu Regenstrief a také profesor rodinné medicíny na lékařské fakultě Indianské univerzity.

„Když nové okolnosti vyžadují rychlou reakci, jako se to stalo třeba s variantou omikron a dalšími novými mutacemi, tak jakmile získáte dost případů, abyste modely vytrénovali, můžete bezpečně přistupovat ke klinickým datům a zapojit je do těchto snadno dostupných modelů, aby bylo možné provádět přesné předpovědi veřejného zdraví a poskytovat poznatky o potřebě využití zdrojů zdravotní péče na úrovni pacientů,“ dodává Grannis.

Vliv má kouření i místo bydliště

Výzkumníci při své práci využili data více než 96 tisíc pacientů pocházejících ze všech směrovacích čísel v Indianě, aby vytrénovali modely určené k předpovídání využití zdrojů ve zdravotnictví. Po vyloučení těch, od kterých byla v systému data pouze v souvislosti s testem na covid a chyběly tak jakékoliv další informace ohledně zdravotního stavu, vybral tým do modelu 92 tisíc lidí. Celkem 18 700 pacientů přitom bylo hospitalizováno během prvního týdne od diagnózy covidu, skoro 22 700 pak skončilo v nemocnici během šesti týdnů od chvíle, kdy u nich byl covid diagnostikován.

„Naše výsledky ukazují, že umíme vytrénovat modely schopné předpovídat potřebu hospitalizací spojených s covidem napříč populací celého státu, a to se značnou přesností,“ píší autoři ve studii. Velmi přesný je model v předpovědi hospitalizací v horizontu týdne a při vylučování těch, kdo péči potřebovat nebudou. Predikci přitom ovlivňovaly faktory jako věk pacientů, CHOPN, kouření, cukrovka, známky neurologického či duševního onemocnění, místo bydliště (město či venkov) či výše příjmu.

Mohlo by vás zajímat

Nemocniční reforma v ohrožení. Pád německé vlády může zkomplikovat prosazení zdravotnických zákonů

„Využití takovýchto predikčních modelů může posloužit v rámci programů řízení zdraví populace ve zdravotnických systémech, k identifikaci vysoce rizikové populace za účelem monitorování nebo screeningu, stejně jako k předpovídání potřeby zdrojů v krizových situacích, jako jsou budoucí vrcholy pandemické aktivity nebo ohniska nákazy,“ podotýkají autoři ve své studii.

Kvalita modelu je závislá na kvalitě dat

Odborníci však zároveň poukazují, že bude ještě třeba dále prozkoumat příčinu některých faktorů, které modely ukázaly. Jde například o to, že spolehlivější predikce se týkaly mužů či lidí žijících ve městech. „Tyto rozdíly mohou být ovlivněny různým přístupem ke zdravotním službám nebo poskytovatelům péče, kteří jsou v souborech dat zahrnuti. Modely se je pak mohou během tréningu naučit. Bez řádného posouzení nemůžeme o příčinách různých modelových předpovědí říci více,“ uvádí studie.

„Od doby, kdy se objevil covid, výzkumníci, zdravotnické systémy, orgány veřejného zdraví a další využili stávající úložiště dat a infrastrukturu zdravotních informací pro rychlou analýzu. Strojové učení bylo při tomto učení neocenitelné. Jenže každý model je jen tak dobrý, jako data, která do něj putují. Rozsáhlá, robustní data z Indianské sítě pro péči o pacienty jsou reprezentativní pro americkou populaci. To, co jsme udělali, lze popsat jako prekurzor toho, jak mohou být nástroje umělé inteligence využity napříč celou zemí, ale s důležitým upozorněním, že jakékoli použité modely by měly být vyhodnoceny z hlediska vyrovnanosti napříč všemi subpopulacemi,“ vysvětluje autor studie Suranga Kasturi, výzkumník na Institutu Regenstrief a docent pediatrie na lékařské fakultě Indianské univerzity.

Výzkum odborníků z Indiany ovšem na tomto poli není jediný. S obrovským zatížením nemocnic, které pandemie způsobila, se začala řada informatiků snažit o předpovědi ohledně pacientů. Na začátku loňského roku tak izraelští vědci využili modelování k tomu, aby předpověděli trajektorii pacientů s covidem za využití individuálních charakteristik. V červenci pak odborníci využili největší datové úložiště týkající se covidu ve Spojených státech k tomu, aby vyvinuli model předpovědi klinické závažnosti onemocnění založené na datech o přijetí pacienta. A výzkumníci z pojišťovny Kaiser Permanente ten samý měsíc využili informací z elektronických zdravotních záznamů k tomu, aby navrhli metodu, jak předpovídat nadcházející nárůsty covidu až šest týdnů předem.

-mk-