ข้ามไปยังเนื้อหา

นักวิจัยของมหาวิทยาลัย Emory ใช้ Google Cloud เพื่อคาดการณ์ภาวะพิษเหตุติดเชื้อในผู้ป่วยวิกฤต

โปรแกรมคาดการณ์ภาวะพิษเหตุติดเชื้อของมหาวิทยาลัย Emory นำข้อมูลทางคลินิก แมชชีนเลิร์นนิง และโครงสร้างพื้นฐานที่ปรับขนาดได้ของ Google Cloud มาผสานเข้าด้วยกันเพื่อให้การวิเคราะห์แบบเรียลไทม์ที่ช่วยให้ดูแลผู้ป่วยในภาวะเสี่ยงได้ดีขึ้น พร้อมทั้งควบคุมค่าใช้จ่ายในการรักษาด้วย

ภาวะพิษเหตุติดเชื้อ คือการตอบสนองของภูมิคุ้มกันในร่างกายต่อการติดเชื้อ ซึ่งเป็นภาวะที่มีอัตราการเสียชีวิตสูงที่สุดและค่ารักษาแพงที่สุดในโรงพยาบาลของสหรัฐอเมริกา ซึ่งในแต่ละปีจะมีชาวอเมริกันเกิดภาวะนี้ราว 750,000 คน การตรวจพบและให้การป้องกันแต่เนิ่นๆ จะมีผลอย่างมากต่อการรักษาชีวิตของผู้ป่วย รวมถึงช่วยประหยัดค่าใช้จ่ายและทรัพยากรต่างๆ ด้วย แต่กระนั้นก็ยังไม่มีวิธีวินิจฉัยภาวะพิษเหตุติดเชื้อได้อย่างรวดเร็วและเชื่อถือได้ Dr. Shamim Nemati และ Dr. Ashish Sharma จากคณะ Biomedical Informatics ของโรงเรียนแพทยศาสตร์แห่งมหาวิทยาลัย Emory กำลังร่วมมือกันแก้ปัญหานี้โดยอาศัยนวัตกรรม กล่าวคือ Dr. Nemati นำประวัติการรักษาในรูปแบบอิเล็กทรอนิกส์ที่ไม่ระบุชื่อซึ่งรวบรวมมาจากผู้ป่วย 30,000 คนในหอผู้ป่วยวิกฤต (ICU) ของโรงพยาบาล Emory มาสร้างโปรแกรม AI เพื่อวิเคราะห์ตัวแปรที่เกี่ยวข้อง 65 ตัว เช่น สัญญาณชีพ ข้อมูลด้านประชากรศาสตร์ และผลการตรวจทางห้องปฏิบัติการ เป็นต้น โปรแกรมคาดการณ์ภาวะพิษเหตุติดเชื้อจะตรวจติดตามสตรีมข้อมูลของผู้ป่วยทุกๆ 5 นาทีเพื่อสร้างคะแนนเชิงซ้อนขึ้นมาแบบเรียลไทม์สำหรับคาดการณ์โอกาสที่จะเกิดภาวะพิษเหตุติดเชื้อ แล้วแสดงผลการคำนวณในหน้าแดชบอร์ดเพื่อให้แพทย์ประเมิน คะแนนที่ได้จะช่วยให้แพทย์ประเมินเวลาที่เหมาะสมในการให้การรักษาด้วยยาปฏิชีวนะ ทั้งนี้เพราะการตรวจพบอย่างทันท่วงทีคือหัวใจสำคัญ

"การแปลงอัลกอริทึมการคาดการณ์ภาวะพิษเหตุติดเชื้อของ TensorFlow ลงในแอป แล้วเรียกใช้ใน Google App Engine ทำให้เราไม่ต้องคำนึงถึงข้อกำหนดต่างๆ ในด้านโครงสร้างพื้นฐานสำหรับเรียกใช้และเพิ่มขนาดการใช้งาน และหันไปเน้นที่การปรับปรุงอัลกอริทึมได้อย่างเต็มที่"

Shamim Nemati, ผู้ช่วยศาสตราจารย์ คณะ Biomedical Informatics, มหาวิทยาลัยเอมอรี

โซลูชันการดูแลในภาวะวิกฤต

โปรแกรมนี้มีส่วนประกอบที่สำคัญ 3 อย่าง ได้แก่ ชุดข้อมูลเข้าและข้อมูลที่เก็บไว้ อัลกอริทึม AI ที่ทำหน้าที่วิเคราะห์ข้อมูล และอินเทอร์เฟซผู้ใช้ส่วนหน้าสำหรับแพทย์ ซึ่งในส่วนประกอบเหล่านี้ ข้อมูลป้อนเข้าและข้อมูลที่เก็บไว้นับเป็นส่วนประกอบที่มีความซับซ้อนเป็นพิเศษ กล่าวคือ ข้อมูลความละเอียดสูงหลายสิบเมกะไบต์ เช่น ความดันโลหิตและอัตราการหายใจของผู้ป่วยแต่ละคนจะต้องได้รับการประทับเวลา เก็บไว้เป็นความลับอย่างปลอดภัย และประมวลผลทันทีเพื่อให้ได้ผลลัพธ์ที่รวดเร็วในภาวะที่มีความเสี่ยงสูง จากนั้นโปรแกรมจะสร้างคะแนนเชิงซ้อนที่ระบุความเสี่ยงที่จะเกิดภาวะพิษเหตุติดเชื้อไว้ในหน้าแดชบอร์ดซึ่งออกแบบมาให้แพทย์อ่านค่าได้ง่าย นอกจากนี้ยังมีระบบเตือนที่จะแจ้งให้แพทย์ทราบเมื่อผู้ป่วยถึงเกณฑ์ที่น่าจะเกิดภาวะพิษเหตุติดเชื้อ ช่วยให้แพทย์ที่กำลังทำหน้าที่ติดพันดำเนินการได้อย่างทันท่วงที

Dr. Sharma ออกแบบโปรแกรมนี้ใน Google Cloud โดยใช้ชุดรวมเครื่องมือ Google Cloud และโอเพนซอร์ส อย่างเช่น TensorFlow และไมโครเซอร์วิสในคอนเทนเนอร์อีกจำนวนหนึ่ง ช่วยให้ประมวลผลข้อมูลป้อนเข้า นำไปวิเคราะห์เชิงคาดการณ์ แล้วส่งผลลัพธ์ไปยังอินเทอร์เฟซส่วนหน้าได้อย่างราบรื่นและรวดเร็วแทบจะในทันที ซึ่งทั้งหมดนี้ทำงานแบบเรียลไทม์ นอกจากนี้ Nemati และ Sharma ยังสร้างฐานข้อมูล Fast Healthcare Interoperability Resources (FHIR) ขึ้นบน Google Cloud เพื่อให้โปรแกรมปรับขนาดและนำไปใช้ในหน่วยงานอื่นๆ ได้ บนแพลตฟอร์มส่วนตัวที่เชื่อถือได้และปลอดภัย และยังเป็นแพลตฟอร์มที่นำเทคโนโลยีระบบคลาวด์จากโครงการอื่นๆ มาผสานการทำงานเข้าด้วยกัน เช่น อุปกรณ์ตรวจติดตามแบบสวมใส่ที่โรงพยาบาล Emory ใช้อยู่แล้ว

การปรับขนาดผ่าน Google Cloud

ที่ผ่านมา Nemati, Sharma และทีมงานที่ Emory ได้ร่วมมือกับ Emory eICU Center ในการตรวจสอบความถูกต้องของโปรแกรมโดยใช้ข้อมูลที่เก็บไว้ในเซิร์ฟเวอร์ขององค์กร โดยทำการทดสอบในกรอบเวลาต่างๆ ก่อนจะคาดการณ์ภาวะพิษเหตุติดเชื้อก่อนเกิดภาวะจริง 4 ถึง 6 ชั่วโมงได้อย่างแม่นยำเป็นที่น่าพอใจถึง 85% ทั้งนี้เพื่อทำให้โปรแกรมใช้งานได้ในที่อื่นๆ ทีมงานจึงเปลี่ยนไปใช้ App Engine "การแปลงอัลกอริทึมการคาดการณ์ภาวะพิษเหตุติดเชื้อของ TensorFlow ลงในแอป แล้วเรียกใช้ใน Google App Engine ทำให้เราไม่ต้องคำนึงถึงข้อกำหนดต่างๆ ในด้านโครงสร้างพื้นฐานสำหรับเรียกใช้และเพิ่มขนาดการใช้งาน และหันไปเน้นที่การปรับปรุงอัลกอริทึมได้อย่างเต็มที่” Nemati กล่าวย้ำ

ในขณะนี้เมื่อโปรแกรมใช้ได้ผลอย่างที่ต้องการแล้ว ทั้งสองท่านก็มีแผนที่จะนำไปทดสอบกับผู้ใช้จำนวนมากขึ้น ซึ่งผู้ใช้นี้หมายรวมถึงทั้งแพทย์และผู้ป่วย และยังจะพอร์ตอัลกอริทึมไปที่ Google Cloud Machine Learning Engine และ TPU เพื่อเพิ่มประสิทธิภาพและทำให้ปรับขนาดได้ดีขึ้นด้วย นอกจากนี้ทั้งสองท่านยังจะนำการเข้ารหัสแบบจุดต่อจุดมาใช้เพื่อช่วยลดความเสี่ยงที่ข้อมูลผู้ป่วยจะรั่วไหลด้วย ทั้งนี้การวิจัยที่กระจายในวงกว้างใน Google Cloud ช่วยให้ทั้งสองท่านถามคำถามใหม่ๆ ได้ เช่น กรอบเวลาที่เหมาะสมในการคาดการณ์ให้ถูกต้องหรือเพิ่มประสิทธิภาพการรักษาคือระยะเวลาเท่าใด โปรแกรมนี้จะช่วยแพทย์ให้ช่วยเหลือผู้ป่วยได้ดีขึ้นหรือไม่ คะแนนความเสี่ยง (Risk Score) มีผลต่อการรักษาอย่างไรในโรงพยาบาลแต่ละแห่งที่มีลำดับขั้นตอนและวัฒนธรรมแตกต่างกัน

ในท้ายที่สุดแล้ว สิ่งสำคัญที่สุดก็คือการปรับปรุงผลการรักษาผู้ป่วย ICU ซึ่ง Sharma ก็ตระหนักในเรื่องนี้เป็นอย่างดี "สาเหตุที่อัลกอริทึมนี้ทำงานได้อย่างยอดเยี่ยมก็เพราะการแสดงข้อมูลในหน้าต่างแบบสั่งการได้ ซึ่งช่วยให้แพทย์สั่งการต่างๆ ที่มีผลในการรักษาผู้ป่วยจริง นอกจากนี้ อัลกอริทึมนี้ยังแสดงข้อมูลการเรียนรู้เชิงลึกให้เห็นโดยละเอียดและแจ้งให้แพทย์ทราบถึงสาเหตุที่ทำให้คิดว่าผู้ป่วยมีความเสี่ยง” Nemati เห็นพ้องในทำนองเดียวกัน "บทความ NEJM ปี 2017 บทความหนึ่งระบุว่า การรักษาภาวะพิษเหตุติดเชื้อที่ล่าช้าไปทุกๆ 1 ชั่วโมง จะทำให้ผู้ป่วยมีความเสี่ยงต่อการเสียชีวิตเพิ่มขึ้น 4 เปอร์เซ็นต์ ซึ่งถ้าเป็นเช่นนี้ หากเราคาดการณ์ภาวะพิษเหตุติดเชื้อได้และให้ยาปฏิชีวนะแก้ผู้ป่วยอย่างทันท่วงที เราจะรักษาชีวิตของผู้ป่วยได้กี่เปอร์เซ็นต์ แม้ตอนนี้เราจะยังไม่รู้คำตอบนั้น แต่เราก็กำลังทำการทดสอบอยู่ที่ Emory และต้องหาผลลัพธ์ที่เป็นกลางที่นำไปปรับใช้ได้ทุกที่"

"สาเหตุที่อัลกอริทึมนี้ทำงานได้อย่างยอดเยี่ยมก็เพราะการแสดงข้อมูลในหน้าต่างแบบสั่งการได้ ซึ่งช่วยให้แพทย์สั่งการต่างๆ ที่มีผลในการรักษาผู้ป่วยจริง"

Ashish Sharma, ผู้ช่วยศาสตราจารย์ คณะ Biomedical Informatics, มหาวิทยาลัยเอมอรี

ลงชื่อสมัครรับข้อมูลที่นี่เพื่อรับข้อมูลอัปเดต ข้อมูลเชิงลึก แหล่งข้อมูล และอื่นๆ อีกมากมาย