Wissenschaftler der Emory University nutzen die Google Cloud Platform für die Sepsisprognose bei Intensivpatienten

Durch die Kombination von klinischen Daten, maschinellem Lernen und der skalierbaren Infrastruktur der Google Cloud Platform setzt man mit der Engine der Emory University zur Prognose von Sepsis auf Echzeitanalysen. So sollen gefährdete Patienten besser versorgt und gleichzeitig die medizinischen Kosten niedrig gehalten werden.

Sepsis, eine Autoimmunreaktion auf eine Infektion, ist eine der tödlichsten und teuersten Erkrankungen in US-Krankenhäusern. Jedes Jahr sind ca. 750.000 Amerikaner davon betroffen. Durch Früherkennung und Vorbeugung könnten zahlreiche Leben gerettet und viel Geld und Ressourcen gespart werden. Doch es gibt keine verlässliche Methode, um eine Sepsis schnell zu diagnostizieren. Dr. Shamim Nemati und Dr. Ashish Sharma im Department of Biomedical Informatics an der School of Medicine der Emory University beschäftigen sich mit einem innovativen Ansatz für diese Herausforderung: Mithilfe anonymisierter elektronischer Gesundheitsdaten, die von 30.000 Patienten auf Intensivstationen der Emory erhoben wurden, hat Dr. Nemati eine KI-Engine entwickelt. Damit sollen 56 relevante Variablen analysiert werden, unter anderem Vitalparameter, demographische Merkmale und Laborergebnisse. Durch die kontinuierliche Überwachung des Datenstroms eines Patienten in fünfminütigen Intervallen berechnet die Sepsis-Prognose-Engine in Echtzeit einen Risikowert, der die Wahrscheinlichkeit vorhersagt, dass sich eine Sepsis entwickelt. Die Ergebnisse werden auf einem Dashboard dargestellt, sodass Ärzte sie evaluieren können. Die Früherkennung ist entscheidend. Nun können sich die Mediziner den Wert und die zugehörige Begründung dann ansehen, wenn eine Behandlung mit Antibiotika am effektivsten wäre.

"Wir haben aus unserem auf TensorFlow basierenden Algorithmus für die Sepsisprognose eine App gemacht, die auf der Google App Engine läuft. Dadurch war die Frage nach den Anforderungen an die Infrastruktur für die Ausführung und Skalierung der Implementierung gelöst und wir konnten uns darauf konzentrieren, unseren Algorithmus zu verbessern."

Shamim Nemati, Assistant Professor, Department of Biomedical Informatics, Emory University

Eine Lösung für die Intensivpflege

Die Engine hat drei entscheidende Bestandteile: die eingehenden und gespeicherten Datensätze, den KI-Algorithmus, der die Daten analysiert, und eine Front-End-Benutzeroberfläche für Ärzte. Dateneingabe und ‑speicherung sind besonders komplex: Viele Megabytes von hochauflösenden Daten wie Blutdruck und Atemfrequenz jedes Patienten müssen mit einem Zeitstempel versehen, vertraulich und sicher aufbewahrt und umgehend verarbeitet werden. Nur so sind bei diesen riskanten Bedingungen zeitnahe Ergebnisse möglich. Die Engine berechnet dann einen zusammengesetzten Sepsis-Risikowert, der auf einem Dashboard dargestellt wird. Den können die Ärzte dann auf einen Blick ablesen. Ein Alarmsystem benachrichtigt die Mediziner, wenn ein Patient einen Schwellenwert überschreitet und vermutlich an einer Sepsis erkrankt. So ist es für das Pflegepersonal leichter, schnell zu reagieren.

Dr. Sharma hat die Engine auf der Google Cloud Platform (GCP) mit integrierten GCP- und Open-Source-Tools entwickelt, beispielweise mit TensorFlow und einigen Container-Mikrodiensten. So können Daten sowie Prognoseanalysen sofort verarbeitet und am Front-End ausgegeben werden – und das alles in Echtzeit. Dadurch, dass Nemati und Sharma eine Fast Healthcare Interoperability Resources (FHIR)-Datenbank auf der GCP aufgebaut haben, sorgen sie dafür, dass die Engine in verschiedenen Einrichtungen auf einer verlässlichen, sicheren und privaten Plattform skaliert und genutzt werden kann. Außerdem lässt sie sich mit anderen Projekten zu Cloudtechnologien verbinden, beispielsweise mit den tragbaren Überwachungsgeräten, die in den Emory-Krankenhäusern bereits genutzt werden.

Skalierung über die Google Cloud Platform

Bisher haben Nemati, Sharma und ihr Team an der Emory gemeinsam mit dem Emory eICU Center die Daten auf lokalen Servern validiert und verschiedene Zeitrahmen getestet. Dabei haben sie eine beeindruckende Genauigkeit von 85 % bei der Prognose der Sepsis 4–6 Stunden vor deren Einsetzen erreicht. Um das Programm auch an anderen Standorten einzusetzen, entschieden sie sich für eine App Engine. "Wir haben aus unserem auf TensorFlow basierenden Algorithmus für die Sepsisprognose eine App gemacht, die auf der Google App Engine läuft. Dadurch war die Frage nach den Anforderungen an die Infrastruktur für die Ausführung und Skalierung der Implementierung gelöst und wir konnten uns darauf konzentrieren, unseren Algorithmus zu verbessern", erklärt Nemati.

Jetzt, wo klar ist, dass die Engine funktioniert, will das Team sie mit weiteren Nutzern testen – Patienten und Ärzten. Außerdem soll der Algorithmus auf Google Cloud Machine Learning Engine und TPUs portiert werden, damit mehr Leistung und Skalierbarkeit möglich ist. Eine Ende-zu-Ende-Verschlüsselung soll das Risiko einer ungewollten Offenlegung von Patientendaten verhindern. Das Team will durch die breit angelegte Studie auf der GCP einigen neuen Fragen nachgehen: Wie sieht der ideale Zeitrahmen aus, um akkurate Prognosen zu machen und die Behandlung zu optimieren? Wird die Engine Ärzte dabei unterstützen, Patienten zu helfen? Inwieweit beeinflusst ein Risikowert die Behandlung in unterschiedlichen Krankenhäusern mit eigenen Arbeitsabläufen und -kulturen?

Am Ende kommt es vor allem darauf an, dass die medizinische Behandlung von echten Patienten auf Intensivstationen verbessert wird. Das ist Sharma klar. "Dieser Algorithmus funktioniert deshalb so gut, weil er Informationen bereitstellt, solange Ärzte noch sinnvolle Maßnahmen für einen Patienten ergreifen können. Außerdem öffnet der Algorithmus Deep Learning-Blackbox und informiert den Arzt darüber, warum ein Patient als gefährdet eingestuft wird." Nemati stimmt zu: "In einem NEJM-Artikel aus dem Jahr 2017 wurde gezeigt, dass das Sterberisiko eines Patienten für jede Stunde, um die sich die Sepsisbehandlung verzögert, um 4 % steigt. Wie viele Leben ließen sich retten, wenn wir Sepsis auf diese Weise erkennen und rechtzeitig Antibiotika verabreichen könnten? Wir wissen es noch nicht, aber das testen wir gerade an der Emory. Und wir müssen noch beweisen, dass das alles auch woanders funktioniert."

"Dieser Algorithmus funktioniert deshalb so gut, weil er Informationen bereitstellt, solange Ärzte noch sinnvolle Maßnahmen für einen Patienten ergreifen können."

Ashish Sharma, Assistant Professor, Department of Biomedical Informatics, Emory University

Vielen Dank für Ihre Registrierung!

Erzählen Sie uns mehr über Ihre Interessen.