Az AI képes megjósolni a jövőbeli egészségügyi költségeket mellkasröntgenek felhasználásával

Közösségek - Mellkas | 2019. december 12. 20:33 | Utolsó módosítás dátuma - 2021. május 13. 19:46 | Forrás: https://www.auntminnie.com/index.aspx?sec=rca&sub=rsna_2019&pag=dis&itemId=127527

A mesterséges intelligencia (AI) képes megjósolni a beteg jövőbeli egészségügyi költségeit az elkövetkező öt évben, csupán a mellkasröntgen elemzésével - egy díjnyertes kutatás szerint, amelyet hétfőn mutattak be az RSNA-n.

Az AI képes megjósolni a jövőbeli egészségügyi költségeket mellkasröntgenek felhasználásával

A University of California, San Francisco (UCSF) kutatócsoportja egy mély tanuláson alapuló modellt 20.000 páciens mellkas röntgenjével, valamint a páciensek ötéves egészségügyi költségével tanították. Kimutatták, hogy a modell azon betegek azonosítását segíti (görbe alatti terület 0.79), akikre az elkövetkezendő öt évben súlyos egészségügyi kiadások várnak.

"A modell arra is felhasználható, hogy felhívja a figyelmet egy látszólag egészséges mellkasröntgenre" - mondta Yixin Chen előadó.

A kutatás elnyerte a Trainee Research Prize - Medical Student by RSNA díjat.

Az egészségügy területén erőfeszítések folynak azon betegek azonosítása érdekében, akiknek a jövőben valószínűleg jelentős mennyiségű orvosi ellátásra van szükségük; a felső 50% jelenti a teljes egészségügyi kiadások 97%-át -  mondta Chen.

A cél az, hogy lehetővé tegyék a betegség folyamatába való, korábbi beavatkozást, így alacsonyabb költségeket és jobb eredményeket nyújtsanak a betegek számára, minthogy megpróbálják a betegséget a végső szakaszában kezelni – jelentette ki Dr. Jae Ho Sohn, a tanulmány társszerzője az AuntMinnie.com-nak.

„A magas kockázatú betegeknél a korai beavatkozás lehetővé teszi egészségük javítását és az egészségügyre fordított társadalmi kiadások csökkentését" - mondta Sohn.

Ennek eredményeként a kutatók egy olyan módszer kidolgozására törekedtek, amely a mellkas röntgenfelvételek elemzése alapján nagyjából meg tudja becsülni az orvosi költségeket. ResNet modellt használták a mellkasröntgen jellemzőinek kiemelésére, majd ezt az információt összekapcsolták a demográfiai adatokkal, például a beteg életkorával, nemével és irányítószámával, median jövedelmével, így képeztek ki egy regressziós és osztályozási modellt.

A regressziós modell előrejelzi az egészségügyi kiadásokat a mellkas röntgenfelvételt követő öt éven belül, míg az osztályozási modell a következő öt évben határozza meg azt a felső 50%-ot, akik várhatóan a legmagasabb anyagi ráfordítást igénylik majd.

A rendszert 21.872 mellkas röntgenfelvétel és 19.524 beteg adatainak felhasználásával fejlesztették az UCSF Orvosi Központban. Négy speciális osztályozási és regressziós modellt készítettek: egyet csak a beteg költségeire, életkorára, nemére és az irányítószámára, medián jövedelmére képeztek; az egyiket csak a mellkasröntgen jellemzőire és a betegköltségekre képezték ki; és két különböző modellt, mind a betegek információira, mind a mellkasröntgen jellemzőire fejlesztették.

Validálás után az a modell érte el a görbe alatti legmagasabb területet (0,79), amit csak a mellkasröntgen jellemzők és a betegköltségek alapján tanították, vagyis ez tudta a legnagyobb biztonsággal azonosítani, az ún. felső 50%-ot.  Ezenkívül hasonló, Spearman korrelációs R értéket (0,67) készítettek a mellkasröntgen jellemzőkkel és a demográfiai adatokkal képzett két modell ötéves kiadásoknak előrejelzésére.

A kutatók számos korlátot ismertek el a kutatásukban, például, hogy az adatállomány,  amire támaszkodtak, főként a San Francisco-öböl környékén és a nyugati parton élő betegekből áll.

"Lehet, hogy ez nem általánosítható Amerikán kívüli egészségügyi rendszerre" - mondta Chen.

Ráadásul a modell kidolgozása és tesztelése csak egy intézmény adatait használta fel - jegyezte meg.

A jövőbeli tervekben a kutatók hasonló megközelítést szeretnének alkalmazni különböző algoritmusokkal és más intézmények és régiók adataival - mondta Chen.

Referálta: Tarpai Petra 

 

 

 

 

 

 

 

 

 

 

 

 

 

További cikkek

Tüdőfibrózis kialakulásának előrejelzése COVID-19 pneumonia kórházi kezelése után vékonyszeletes CT-vizsgálattal és klinikai eltérések felhasználásával

Közösségek - Mellkas

2021. március 15. 09:15

2019-ben az új típusú koronavírus (COVID-19) által okozott tüdőgyulladással járó járvány Wuhanban (Kína) tört ki, és 2 hónap alatt a teljes országban elterjedt. Kínában a járvány jelenleg csillapodni látszik, azonban máshol jelentős lendületet vett. Az európai országok ( Olaszország, Spanyolország, Németország, Franciaország), az Egyesült Államok, Irán és Dél-Korea a járvány által okozott hatalmas kihívásokkal néznek szembe. A WHO a COVID-19 fertőzést 2020.03.11-én hivatalosan is pandémiának minősítette. Kínában március 24-én 81 767 COVID-19 pneumonias beteget tartottak nyilván, melyből 3283-an elhunytak. A számok dramatikusan nőnek és már több mint 195 országban jelen van a vírus. A COVID-19 elsősorban légzőszervi megbetegedést okoz, mely a kisebb megfázástól a súlyos betegségig terjedhet, mint például a súlyos akut légzőszervi szindróma (SARS), és a közel-keleti légúti szindróma (MERS). A SARS-tól eltérően, mely gyakran súlyos klinikai tünetekkel és magas halálozási arányokkal jár, a COVID-19 fertőzést enyhébb tünetek kísérik és megfelelő kezeléssel nagyobb arányban felépülnek belőle. A megfertőződött pneumoniasok 5 %-a intenzív osztályos felvételre került, melyből 2,3 %-uk invazív lélegeztető terápiában részesült, és 1,4 %-uk elhunyt. A betegség lefolyása vékonyszeletes mellkas CT-vizsgálattal jól követhető. Radiológiai eltérései elsősorban a tejüveghomály (GGO), a crazy paving mintázat, és a konszolidáció. Sokszor az elbocsátást követően CT eltérés nem volt kimutatható, azonban mégis többször a követés során reziduális parenchymás rendellenességeket tapasztaltak. Kevésbé egyértelmű, mely betegcsoportok érintettek gyakrabban a tüdőfibrózis kialakulásával. A tanulmányban a klinikai jellemzők és egyidejűleg a CT-vizsgálatok elemzésével a pulmonalis fibrosis prediktív faktorait próbálták azonosítani.