Huvudbild för Vitalis 2021
Profilbild för Prediktion av sepsis med Machine Learning-algoritm

Prediktion av sepsis med Machine Learning-algoritm

Föreläsare: Inger Persson

Spår: Datadriven vård och omsorgsförbättring

Vi har utvecklat en maskininlärningsalgoritm (Convolutional Neural Network) för att prediktera sepsis tre timmar innan kriterierna för diagnosen uppfylls enligt Sepsis-3-kriterierna. Algoritmen använder sig av variabler som kontinuerligt registreras i befintliga elektroniska journalsystem idag och är tänkt att integreras som en del av dessa. Algoritmen har visats prediktera sepsis med hög sensitivitet och specificitet i en retrospektiv studie (under publicering).

Sepsis/septisk chock står trots decennier av omfattande forskning för en betydande mortalitet, morbiditet och ekonomisk kostnad inom den moderna intensivvården. I en nyligen publicerad svensk intensivvårdsstudie uppfyllde 28% av intensivvårdspatienterna kriterierna för sepsis, av dessa uppfyllde 38% kriterierna för septisk chock. Sjukhusmortaliteten i studien var 26% hos sepsispatienterna och 33% hos patienterna med septisk chock (1).

Sepsis är ingen enhetlig sjukdom utan ett syndrom utlöst av en akut infektion. Bakomliggande infektioner kan orsakas av ett stort antal olika mikroorganismer med olika lokalisation i kroppen. Förloppet påverkas dessutom av individuella faktorer som immunologiskt status, annan samtidig sjukdom och ålder. Detta medför en stor variation i klinisk bild, dominerande symtom och i vilken ordning och hur snabbt symtomen utvecklas vilket försvårar diagnosen.

Trots att sepsis är ett komplext tillstånd kräver patienter med sepsis en likartad handläggning med snabb antibiotikabehandling, vätsketerapi, övervakning och organstödjande behandling i de allvarligaste fallen. 

Det finns ingen specifik biomarkör eller specifik behandling för sepsis tillgänglig för kliniskt bruk. Diagnosen ställs idag genom klinisk bedömning med stöd av övervakningsparametrar och labaratorieanalyser.

Det råder idag stark konsensus att tidig upptäckt och snabbt insatt behandling påtagligt förbättrar utgången för patienterna (2, 3, 4, 5, 6). Det föreligger därför ett behov av skärpt diagnostik som möjliggör tidig upptäckt och effektiv handläggning av sepsis. Den utvecklade algoritmen möjliggör en utökad avancerad kontinuerlig monitorering av intensivvårdspatienter med potential för tidigare diagnostik och behandling av sepsis.  

Det finns idag ingen relevant produkt för jämförelse på den europeiska marknaden. Algoritmen är inte tänkt att ersätta något alternativ utan att tillföra ett stöd för tidig upptäckt av sepsis. Det mest relevanta att jämföra med är nyttan av produkten som tillägg till dagens diagnostik och handläggning, vilket studeras i en pågående prospektiv randomiserad studie i Region Skåne (ClinicalTrials.gov Identifier: NCT04570618) som kommer att vara klar under våren 2021.

Under seminariet beskrivs det datadrivna utvecklingsarbetet samt resultatet i form av algoritmens prediktiva förmåga (sensitivitet, specificitet, jämförelse med befintliga early warning scoring systems). Vägen framåt diskuteras också, möjligheter och svårigheter vad gäller integration med befintliga elektroniska journalsystem i vården, inom och utanför intensivvården. 




Referenser:

1. Lengquist M, Lundberg OHM, Spångfors M, Annborn M, Levin H, Friberg H, Frigyesi A. Sepsis is underreported in Swedish intensive care units: A retrospective observational multicentre study. Acta Anaesthesiol Scand. 2020;64:1167–1176.

2. Kumar A, Roberts D, Wood KE, et al. Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Crit Care Med, 2006;34:1589–96.

3. Mok K, Christian MD, Nelson S, Burry L. Time to Administration of Antibiotics among Inpatients with Severe Sepsis or Septic Shock. Can J Hosp Pharm, 2014 May;67(3):213-9.

4. Husabø G, Nilsen RM, Flaatten H, Solligård E, Frich JC, Bondevik GT, et al. Early diagnosis of sepsis in emergency departments, time to treatment, and association with mortality: An observational study. PLoS ONE, 2020;15(1):e0227652. https://doi.org/10.1371/journal.pone.0227652. 

5. Seymour CW, Gesten F, Prescott HC, Friedrich ME, Iwashyna TJ, Phillips GS, Lemeshow S, Osborn T, Terry KM, Levy MM. Time to Treatment and Mortality during Mandated Emergency Care for Sepsis. N Engl J Med, 2017;376(23):2235–2244. 

6. Ferrer R, Martin-Loeches I, Phillips G, Osborn TM, Townsend S, Dellinger RP, Artigas A, Schorr C, Levy MM. Empiric antibiotic treatment reduces mortality in severe sepsis and septic shock from the first hour: results from a guideline-based performance improvement program. Crit Care Med. 2014 Aug;42(8):1749-55.

Språk

Svenska

Ämne

AI

Föreläsningssyfte

Other

Kunskapsnivå

Introductory

Målgrupp

Management/decision makers
Politicians
Purchasers/acquisitions/eco nomy/HR
Technicians/IT/Developers
Researchers
Students
Care professionals
Healthcare professionals
Patient/user organizations

Nyckelord

Innovation/research

Föreläsare

Profilbild för Inger Persson

Inger Persson Föreläsare

Director AI & Biostatistics / Universitetslektor
AlgoDx AB & Uppsala universitet

Efter över tio års arbete med kliniska prövningar inom läkemedelsindustrin och ytterligare 10 år med akademisk forskning och undervisning inom biostatistik och prediktionsmodellering är jag nu ansvarig för AI och biostatistik inom forskningsbolaget AlgoDx.