Ανάλυση βιοϊατρικών δεδομένων και στήριξη ιατρικών αποφάσεων: ο δρόμος για την υπολογιστική ιατρική

Transcript

1 Ανάλυση βιοϊατρικών δεδομένων και στήριξη ιατρικών αποφάσεων: ο δρόμος για την υπολογιστική ιατρική Ι. Χουβαρδά ΕΡΓΑΣΤΉΡΙΟ Η/Υ, ΙΑΤΡΙΚΉΣ ΠΛΗΡΟΦΟΡΙΚΉΣ & ΒΙΟΪΑΤΡΙΚΉΣ-ΑΠΕΙΚΟΝΙΣΤΙΚΉΣ ΤΕΧΝΟΛΟΓΊΑΣ

2 Ερωτήσεις Ερευνα βασισμένη στα δεδομένα (Data driven research) Eξόρυξη γνώσης & κλινική πράξη (Knowledge discovery)

3 Βασικές Έννοιες Η Υπολογιστική Ιατρική (CM) είναι μια αναδυόμενη επιστημονική περιοχή που αφιερώνεται στην ανάπτυξη ποσοτικών προσεγγίσεων για την κατανόηση των μηχανισμών, τη διάγνωση και τη θεραπεία της ανθρώπινης νόσου μέσω εφαρμογών των μαθηματικών, της μηχανικής και της υπολογιστικής επιστήμης. Η βασική προσέγγιση του CM είναι η ανάπτυξη υπολογιστικών μοντέλων της μοριακής βιολογίας, της φυσιολογίας και της ανατομίας της νόσου και η εφαρμογή αυτών των μοντέλων για τη βελτίωση της περίθαλψης των ασθενών Η ιατρική των συστημάτων είναι ένα διεπιστημονικό πεδίο μελέτης που εξετάζει τα συστήματα του ανθρώπινου σώματος ως μέρος ενός ολοκληρωμένου συνόλου, ενσωματώνοντας βιοχημικές, φυσιολογικές και περιβαλλοντικές αλληλεπιδράσεις. Ένα σημαντικό θέμα στην ιατρική συστημάτων είναι η ανάπτυξη υπολογιστικών μοντέλων που περιγράφουν την πρόοδο της νόσου και την επίδραση των θεραπευτικών παρεμβάσεων.

4 ΜΕΘ και υπολογιστικά μοντέλα computatio nal methods bedside care improved personalized care to the critically ill Μέθοδοι που βασίζονται σε δεδομένα για τη μοντελοποίηση των φαινομένων πρόγνωσης και θεραπείας ασθενών ενσωμάτωση μοντέλων πρόβλεψης στην κλινική ρουτίνα.

5 Γιατι ΜΕΘ Μεγάλος όγκος δεδομένων καθημερινά Electronic Health Record Streaming monitor data Patient-ventilator interaction monitoring data Ventilator data

6 Γιατί ΜΕΘ Μηχανικός Αερισμόςαλληλεπίδραση με τον αναπνευστήρα Εξατομικευμένη φροντίδα και πρόβλεψη επιδείνωσης

7 Προσεγγίσεις Clinical trial Μειώνω ετερογένεια Ελέγχω υπόθεση Τεχνητό περιβάλλον Data Driven Research Δέχομαι ετερογένεια Διερεύνηση δεδομένων Δεδομένα καθημερινής πράξης

8 διατροφή στην εντατική θεραπεία και αντίκτυπός Διατροφική σημασία και προκλήσεις Η διατροφή είναι ένας βασικός παράγοντας για την ανάκαμψη από την κρίσιμη ασθένεια. o Τα ελλείμματα έχουν αντίκτυπο σε σοβαρές περιπτώσεις. o Οι διατροφικές ανάγκες ενός ασθενούς μπορεί να ποικίλουν στο πλαίσιο της νοσηλείας λόγω της κατάστασής τους (υπό αερισμό, θερμοκρασία κ.λπ.) Οι καθημερινοί στόχοι (θερμίδες και πρωτεΐνες) καθορίζονται από τους γιατρούς. Τα επιστημονικά στοιχεία είναι αντικρουόμενα.

9 Ανάλυση και μοντελοποίηση δεδομένα Προέρχονται από τη βάση δεδομένων ΠΑΓΝΗ. 109 από τις 2630 περιπτώσεις Αποτελείται από δημογραφικά στοιχεία, στοιχεία εισαγωγής, διάγνωση, αποτελέσματα, φάρμακα, μεταγγίσεις, εισροές / εκροές υγρών, πληροφορίες για τη διατροφή, αποτελέσματα μικροβιολογικών και εργαστηριακών εξετάσεων, πληροφορίες για καθετήρα, ζωτικά σήματα. μέθοδοι Ανάλυση Διατροφής. Υπολογίζει τα διατροφικά χαρακτηριστικά με βάση τη διατροφική πρόσληψη και τις δυναμικές απαιτήσεις. Mοντέλο Πρόβλεψης. Χαρακτηριστικά των δεδομένων θρέψης για την πρώτη εβδομάδα νοσηλείας, καθώς και χαρακτηριστικά νοσηλείας Πρόβλεψη επιβίωσης με βάση τα εν λόγω χαρακτηριστικά. Επιλεγμένη ομάδα Ασθενών: Το προγνωστικό μοντέλο απευθύνεται σε ασθενείς με παρατεταμένο μηχανικό αερισμό, καθώς αντιπροσωπεύουν μια υποομάδα ασθενών που διατρέχουν υψηλό κίνδυνο για υποβέλτιστη διατροφή και σχετικές επιπλοκές Το μοντέλο Νευρικού Δικτύου εκπαιδεύτηκε με χαρακτηριστικά διατροφικών δεδομένων για την πρώτη εβδομάδα νοσηλείας, καθώς και με τα χαρακτηριστικά και βαθμολογίες νοσηλείας του Ε.Δ.Χ., ώστε να διαχωρίζονται οι ασθενείς μεταξύ αυτών που πέθαναν και επιβίωσαν.

10 Model Metrics Data Feed Forward Neural Network Accuracy: 76.47% Sensitivity:74.35% Specificity 78.26% 89 patients ~ 80 Mb (combining multiple types of data)

11 Ανάλυση και μοντελοποίηση Δύο ασθενείς με παρόμοιο σκορ APACHE-II κατά την εισαγωγή και διαφορετική πρόβλεψη, και πραγματική έκβαση.

12 Πρόβλεψη υψηλής driving pressure smart alerts Με βάση τα δεδομένα του 5λεπτου χ, πρόβλεψη driving pressure (ψηλή / χαμηλή) του επόμενου 5λεπτου The driving pressure is the pressure distending the lung at end-inspiration, and thus the main determinant of injury induced by over-distention.

13 Μελέτη των μεταβολών των κιρκαδιανών ρυθμών της θερμοκρασίας και της μελατονίνης σε βαρέως πάσχοντες ασθενείς με σήψη και σηπτικό shock Temperature Temperature temp entry temp exit temp entry temp exit temp sepsis

14

15 ΣΣΑ στη ΜΕΘ Χρονικά αποδοτικό: ενοποιεί και απεικονίζει πληροφορία Κάνει σύσταση (π.χ. απαιτείται διατροφή για να φτάσει ένα όριο) Με τη χρήση προγνωστικών μοντέλων, προβλέπει την επερχόμενη περίοδο αστάθειας, χαρακτηρίζει τον ασθενή ως υψηλό κίνδυνο Επισκόπηση ειδοποιήσεων (δείτε όλα τα κρεβάτια που έχουν ειδοποίηση, επιλέγοντας ένα κρεβάτι δείτε τι είδους ειδοποιήσεις είναι ενεργές, επιλέγοντας μια συγκεκριμένη ανάλυση δείτε λεπτομέρειες / συστάσεις για την ειδοποίηση)

16 Model Classifier Data Classes Internal Validation Disease Outcome prediction based on RNAseq Analysis Disease Outcome prediction based on Immunogenetic Repertoire Analysis Response to treatment prediction based on Immunogenetic Repertoire Analysis Neural network Decision Tree Random Forest 14 patients (~62Gb) 34 patients (~3,5Gb) 13 patients (~1,3Gb) Stable - Progressive Disease Condition (71% - 29%) Stable - Progressive Disease Condition (73,5% - 26,5%) Positive - Negative Response to Treatment (77% - 23%) Leaveone-out cross validation Leaveone-out cross validation Leaveone-out cross validation Metrics Accuracy: 85% Sensitivity: 90% Specificity: 75% Accuracy: 88,2% Sensitivity: 77.7% Specificity: 92% Accuracy: 87.5% Sensitivity: 92.3% Specificity: 66.6% ΣΣΑ και ιατρική ακριβείας MULTI-OMICS ΙΝ CANCER

17 ΣΣΑ στην καρδιακή αποκατασταση - άσκηση ΠΡΟΣΩΠΙΚΑ ΜΟΝΤΕΛΑ ΕΞΕΛΙΞΗΣ ΚΑΡΔΙΑΚΟΥ ΡΥΘΜΟΥ ΣΣΑ ΓΙΑ ΒΕΛΤΙΣΤΗ ΑΠΟΔΟΣΗ ΠΡΟΒΛΕΨΗ ΤΗΣ ΣΥΜΜΟΡΦΩΣΗΣ

18 Προβληματα και προβληματισμοι Μπορουμε να συλλέγουμε δεδομενα Μπορουμε να κανουμε διαθεσιμα δεδομενα Μπορούμε να πιστέψουμε τα δεδομένα Μπορούμε να εφαρμόσουμε μεθόδους στην κλινική πράξη

19 Σας ευχαριστώ για την προσοχή σας! Συνεργάτες Υποψ Δρ Α Χύτας, & Ε Κουτσιανά Jomme Claes, Δ Φίλος, Κ Λιβίτσκαγια Μεταπτ Φοιτ. Α Κοσβύρα Μεταδιδ Χ Μαραμής Επ Καθ K Βαπορίδη, ΠΑΓΝΗ Αν Καθ Β Παπαιωάννου ΔΠΘ Καθ V. Cornelissen, KUL Καθ Ε Κουιδή, ΑΠΘ Συνεργάτες ΙΝΕΒ