Больница Адденбрука в Кембридже и 20 других больниц со всего мира и лидер в области медицинских технологий NVIDIA использовали искусственный интеллект (ИИ) для прогнозирования потребностей пациентов с COVID в кислороде в глобальном масштабе.
Исследование было вызвано пандемией и было направлено на создание инструмента искусственного интеллекта, чтобы предсказать, сколько дополнительного кислорода может потребоваться пациенту с COVID-19 в первые дни лечения в больнице, используя данные со всех четырех континентов.
Этот метод, известный как федеративное обучение, использует алгоритм для анализа рентгеновских снимков грудной клетки и электронных данных о состоянии здоровья пациентов больниц с симптомами COVID.
Чтобы сохранить строгую конфиденциальность пациентов, данные пациентов были полностью анонимными, и в каждую больницу был отправлен алгоритм, поэтому никакие данные не передавались и не покидали их местонахождение.
После того, как алгоритм «изучил» данные, был проведен анализ для создания инструмента искусственного интеллекта, который мог бы прогнозировать потребности в кислороде пациентов с COVID в больницах в любой точке мира.
Опубликованное сегодня в журнале Nature Medicine исследование, получившее название EXAM (для модели EMR CXR AI), является одним из крупнейших и наиболее разнообразных клинических исследований федеративного обучения на сегодняшний день.
Чтобы проверить точность EXAM, его протестировали в ряде больниц на пяти континентах, включая больницу Адденбрука. Результаты показали, что он предсказал потребность в кислороде в течение 24 часов после прибытия пациента в отделение неотложной помощи с чувствительностью 95 процентов и специфичностью более 88 процентов.
«Федеративное обучение имеет трансформирующую силу, привнося инновации ИИ в клинический рабочий процесс», - сказала профессор Фиона Гилберт, которая руководила исследованием в Кембридже, является почетным радиологом-консультантом в больнице Адденбрука и заведующим кафедрой радиологии в Школе клинической медицины Кембриджского университета.
«Наша постоянная работа с EXAM демонстрирует, что такого рода глобальное сотрудничество является повторяемым и более эффективным, так что мы можем удовлетворить потребности врачей в решении сложных проблем здравоохранения и будущих эпидемий».
Первый автор исследования доктор Иттай Даян из Mass General Bingham в США, где был разработан алгоритм EXAM, сказал: «Обычно при разработке искусственного интеллекта, когда вы создаете алгоритм на основе данных одной больницы, он не работает должным образом. любая другая больница . Разработав модель ЭКЗАМЕНА с использованием объединенного обучения и объективных мультимодальных данных с разных континентов, мы смогли построить обобщаемую модель, которая может помочь передовым врачам во всем мире ».
В исследовании EXAM, собравшем вместе сотрудников из Северной и Южной Америки, Европы и Азии, потребовалось всего две недели «обучения» искусственного интеллекта для получения высококачественных прогнозов.
«Федеративное обучение позволило исследователям сотрудничать и установить новый стандарт того, что мы можем делать в глобальном масштабе, используя возможности искусственного интеллекта», - сказала д-р Мона Г. Флорес, глобальный руководитель по медицинскому искусственному интеллекту в NVIDIA. «Это будет способствовать развитию ИИ не только в здравоохранении, но и во всех отраслях, стремящихся создавать надежные модели без ущерба для конфиденциальности».
В исследовании были проанализированы результаты около 10000 пациентов с COVID со всего мира, в том числе 250 человек, которые обратились в больницу Адденбрука во время первой волны пандемии в марте / апреле 2020 года.
Исследование было поддержано Кембриджским центром биомедицинских исследований Национального института медицинских исследований (NIHR).
Работа над макетом ЭКЗАМЕНА продолжена. Mass General Brigham и NIHR Cambridge BRC работают со стартапом NVIDIA Inception Rhino Health, соучредителем которого является доктор Даян, для проведения перспективных исследований с использованием EXAM.
Профессор Гилберт добавил: «Создание программного обеспечения, которое соответствовало бы характеристикам наших лучших рентгенологов, - сложная задача, но поистине преобразующая цель. Чем больше мы сможем безопасно интегрировать данные из разных источников, используя федеративное обучение и сотрудничество, и у нас будет пространство, необходимое для инноваций, тем быстрее ученые могут воплотить в жизнь эти преобразующие цели ".
