Emory Üniversitesi'ndeki araştırmacılar, yoğun bakım hastalarında sepsis oluşumunu öngörmek için Google Cloud Platform'dan yararlanıyor

Klinik veriler, makine öğrenimi ve Google Cloud Platform'un ölçeklenebilir altyapısını bir araya getiren Emory Üniversitesi'nin sepsis öngörü motoru, hem riskli hastalar için daha iyi bakım sağlamak hem de medikal maliyetleri düşürmek amacıyla gerçek zamanlı analitik süreçlerden yararlanıyor.

Enfeksiyona verilen bir otoimmün cevabı olan sepsis, ABD'deki hastanelerde tedavi edilen en ölümcül ve en pahalı vakalar arasında olup her yıl yaklaşık 750.000 Amerikalı'yı etkilemektedir. Hasta kayıpları, maliyetler ve kaynak kullanımı, erken teşhis ve önleyici tedbirlerle önemli ölçüde düşürebilmekle birlikte, sepsisi hızlı bir şekilde teşhis etmek için güvenilir bir yöntem yoktur. Emory Üniversitesi Tıp Fakültesi, Biyomedikal Bilişim Bölümü öğretim görevlilerinden Dr. Shamim Nemati ve Dr. Ashish Sharma, bu güçlüğü yenilikçi bir yaklaşımla aşmayı hedefliyor: Emory'nin yoğun bakım ünitelerinde tedavi gören 30.000 hastadan toplanan anonim elektronik sağlık kayıtlarını kullanan Dr. Nemati, aralarında yaşamsal belirtiler, hasta demografisi ve laboratuvar sonuçları da bulunan, durumla ilişkili 65 değişkeni analiz edecek bir yapay zeka motoru geliştirdi. Hastadan gelen veri akışını beş dakikalık aralıklarla sürekli olarak izleyen sepsis öngörü motoru, gerçek zamanlı olarak bir bileşik puan oluşturuyor. Bu puan, sepsis oluşum olasılığını öngörerek bulguları klinisyen değerlendirmesi için bir kontrol paneline yansıtıyor. Erken teşhis hayati derecede önemli olduğundan, klinisyenler bu puanı görerek antibiyotik tedavisinin en etkili olacağı noktada müdahale kararı alabiliyor.

"TensorFlow tabanlı sepsis öngörü algoritmamızı bir uygulama haline getirip Google App Engine'da çalıştırarak, uygulamanın çalıştırılması ve dağıtımın ölçeklendirilmesiyle ilişkili altyapı gereksinimlerinden tamamen kurtulduk ve bu konular yerine algoritmamızı iyileştirmeye odaklanmamız mümkün oldu."

Shamim Nemati, Emory Üniversitesi, Yardımcı Doçent Doktor, Biyomedikal Bilişim Bölümü

Bir kritik bakım çözümü

Motorun üç hayati bileşeni bulunuyor: gelen ve depolanan veri kümeleri, veriyi analiz eden yapay zeka algoritması ve klinisyenler için kullanıcı arayüzü. Veri girişi ve depolama süreçleri ise oldukça karmaşık: her hastaya ait kan basıncı ve solunum sayısı gibi yüzlerce megabaytlık, yüksek çözünürlüklü verinin zaman damgalı, gizli ve güvenli şekilde tutulması ve kritik koşullar altında, zamanında sonuç üretilebilmesi için anlık olarak işlenmesi gerekiyor. Ardından motor, klinisyenlerin bir bakışta kolayca okuyabileceği şekilde dizayn edilen bir kontrol panelinde bileşik bir Sepsis Risk Puanı üretiyor. Hastada sepsis oluşumu ihtimalinin yüksek bir eşiğe ulaşması durumunda klinisyenler bir alarm sistemiyle uyarılıyor. Böylece, yoğun tempoda çalışan bakım personeli duruma hızlı şekilde tepki verebiliyor.

Motoru Google Cloud Platform'da (GCP) tasarlayan Dr. Sharma, GCP'ye entegre olarak sunulan ve TensorFlow gibi açık kaynaklı bir dizi araçtan ve kapsayıcıya dönüştürülmüş bazı mikro hizmetlerden yararlanarak veri girişi, öngörü analizi ve kullanıcı arabiriminde çıktı üretme işlemlerini sorunsuz ve neredeyse anlık olarak yapabilen bir program geliştirdi. Üstelik tüm işlemler gerçek zamanlı olarak yürütülüyordu. GCP'de bir Fast Healthcare Interoperability Resources (FHIR) veritabanı oluşturan Nemati ve Sharma, bu sayede motorun güvenilir, güvenli ve gizlilik sağlayan bir platform üzerinde, çeşitli kurumlar arasında ölçeklenebilirlik ve birlikte çalışabilirlik avantajıyla kullanılmasına olanak sağladı. Bu platform, Emory hastanelerinde halihazırda kullanılmakta olan giyilebilir izleme cihazları gibi bulut teknolojisi tabanlı diğer projelere de entegre edilebiliyor.

Google Cloud Platform üzerinden ölçeklendirme

Şu ana kadar, motoru yerel sunucularda barındırılan veriler üzerinde doğrulamak için Emory eICU Center'la birlikte çalışan Nemati, Sharma ve Emory'deki ekipleri, farklı zaman aralıklarını test ederek sepsisi, ortaya çıkışından dört ila altı saat öncesinde öngörme konusunda %85 gibi etkileyici bir orana ulaştı. Ekip, programı farklı yerleşimlerde de kullanıma almak için yüzünü App Engine'a çevirdi. Nemati, düşüncelerini "TensorFlow tabanlı sepsis öngörü algoritmamızı bir uygulama haline getirip Google App Engine'da çalıştırarak, uygulamanın çalıştırılması ve dağıtımın ölçeklendirilmesiyle ilişkili altyapı gereksinimlerinden tamamen kurtulduk ve bu konular yerine algoritmamızı iyileştirmeye odaklanmamız mümkün oldu," sözleriyle ifade ediyor.

Artık, motorun işe yaradığından emin olan ekip, onu hem hasta hem de klinisyenlerden oluşan daha kalabalık bir kullanıcı grubuyla test etmeyi planlıyor. Ayrıca, algoritmayı Google Cloud Machine Learning Engine'a ve TPU'lara taşıyarak performansı artırmayı ve uçtan uca şifrelemeyi süreçlere dahil ederek hasta verilerinin açığa çıkması ihtimalini en aza indirmeyi hedefliyorlar. Ekip, GCP'de geniş kapsamlı dağıtık bir araştırma yaparak artık bazı yeni sorular sorabiliyor: Motor, doktorların hastalarına daha faydalı olabilmesi için bir katkı sağlayacak mı? Her biri kendine özgü bir iş akışı ve kültüre sahip çeşitli hastanelerde Risk Puanı uygulaması tedaviyi ne şekilde etkiliyor?

Sonuçta en önemli nokta, yoğun bakım ünitelerindeki gerçek hastaların sağlık durumlarında iyileşme sağlamak ve Sharma da bunun farkında. "Bu algoritmanın bu kadar başarılı olmasının nedeni, doktorların hasta için etkili müdahalelerde bulunmasına imkan veren, işe yarar bilgiler sağlaması. Ayrıca, bu algoritma derin öğrenmenin kara kutusunu açarak, doktora neden hastanın risk altında olduğunu düşündüğünü de bildiriyor." Nemati, bu görüşlere katıldığını şu sözlerle ifade ediyor: "2017'de yayınlanan bir NEJM makalesi, sepsis tedavisinin geciktiği her saat için hastanın ölüm riskinin 4 kat arttığını ortaya koyuyor. Peki, bu yöntemle sepsisi tespit eder ve hasta için antibiyotik tedavisini zamanında başlatabilirsek kurtarabileceğimiz hayatların yüzdesi ne olur? Henüz bilmiyoruz, ama Emory'de şu an bunu test ediyoruz ve bu yöntemin başka yerlerde de uygulanabileceğini göstermemiz gerekiyor."

"Bu algoritmanın bu kadar başarılı olmasının nedeni, doktorların hasta için etkili müdahalelerde bulunmasına imkan veren, işe yarar bilgiler sağlaması."

Ashish Sharma, Emory Üniversitesi, Yardımcı Doçent Doktor, Biyomedikal Bilişim Bölümü

Kuruluş Profili

15.000 lisans ve lisans üstü öğrencisi ve kalabalık eğitim ve personel kadrosuyla Emory Üniversitesi, Atlanta metropol bölgesinin ikinci en büyük işvereni, eyaletin ise en büyük üniversitesi konumunda. Tıp Fakültesi bünyesinde 2011'de kurulan Biyomedikal Bilişim Bölümü, klinik araştırmalar ile veri bilimini bir araya getiren, birden çok akademik disiplinin dahil olduğu projelerde uzmanlaşmıştır.

Kullanılan ürünler

Kaydolduğunuz için teşekkür ederiz!

Bize ilgi alanlarınızdan biraz daha bahsedin.