นักวิจัยของมหาวิทยาลัย Emory ใช้ Google Cloud Platform เพื่อคาดการณ์ภาวะพิษเหตุติดเชื้อในผู้ป่วยวิกฤต

โปรแกรมคาดการณ์ภาวะพิษเหตุติดเชื้อของมหาวิทยาลัย Emory นำข้อมูลทางคลินิก แมชชีนเลิร์นนิง และโครงสร้างพื้นฐานที่ปรับขนาดได้ของ Google Cloud Platform 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, มหาวิทยาลัย Emory

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

การปรับขนาดผ่าน Google Cloud Platform

ที่ผ่านมา Nemati, Sharma และทีมงานที่ Emory ได้ร่วมมือกับ Emory eICU Center ในการตรวจสอบความถูกต้องของโปรแกรมโดยใช้ข้อมูลที่เก็บไว้ในเซิร์ฟเวอร์ขององค์กร โดยทำการทดสอบในกรอบเวลาต่างๆ ก่อนจะฃคาดการณ์ภาวะพิษเหตุติดเชื้อก่อนเกิดภาวะจริง 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 GCP ช่วยให้ทั้งสองท่านถามคำถามใหม่ๆ ได้ เช่น กรอบเวลาที่เหมาะสมในการคาดการณ์ให้ถูกต้องหรือเพิ่มประสิทธิภาพการรักษาคือระยะเวลาเท่าใด โปรแกรมนี้จะช่วยแพทย์ให้ช่วยเหลือผู้ป่วยได้ดีขึ้นหรือไม่ คะแนนความเสี่ยง (Risk Score) มีผลต่อการรักษาอย่างไรในโรงพยาบาลแต่ละแห่งที่มีลำดับขั้นตอนและวัฒนธรรมแตกต่างกัน

In the end, what matters most is improving medical outcomes for real patients in ICUs, and Sharma is aware of that. “The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can make meaningful interventions for a patient. Also, the algorithm opens up the deep-learning black box and informs the physician why it thinks the patient is at risk.” Nemati agrees, “A 2017 NEJM article showed that for each hour sepsis treatment is delayed, a patient’s risk of death increases by 4 percent. So what percentage of lives can we save if we could catch sepsis this way and put patients on antibiotics in time? We don’t know yet, but that’s what we’re currently testing at Emory, and we need to show generalizability elsewhere."

“The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can take meaningful actions for a patient."

Ashish Sharma, ผู้ช่วยศาสตราจารย์ คณะ Biomedical Informatics, มหาวิทยาลัย Emory

โปรไฟล์องค์กร

มหาวิทยาลัย Emory มีนักศึกษาระดับปริญญาตรีและบัณฑิตศึกษากว่า 15,000 คน และมีคณาจารย์และเจ้าหน้าที่เป็นจำนวนที่ใกล้เคียงกัน จึงทำให้มหาวิทยาลัยแห่งนี้เป็นองค์กรที่มีการจ้างงานมากที่สุดเป็นอันดับสองในเขต Metropolitan Atlanta นอกจากนี้ยังมีเครือข่ายการดูแลสุขภาพที่ใหญ่ที่สุดในประเทศด้วย คณะ Biomedical Informatics ในโรงเรียนแพทยศาสตร์ก่อตั้งขึ้นในปี 2011 มีความเชี่ยวชาญในโครงการพหุวิทยาการที่ผสานงานวิจัยทางคลินิกและวิทยาศาสตร์ข้อมูลเข้าด้วยกัน

ผลิตภัณฑ์ที่ใช้

ขอบคุณที่ลงชื่อสมัครใช้!

แจ้งให้เราทราบเกี่ยวกับความสนใจของคุณ