Durch die Analyse von Kohlendioxid im Atem könnte ein Algorithmus dabei helfen, die Behandlung von Patienten zu bestimmen

Durch die Analyse von Kohlendioxid im Atem könnte ein Algorithmus dabei helfen, die Behandlung von Patienten zu bestimmen

Video: Heute ist mein Tag (March 2020).

Anonim

von Larry Hardesty, Massachusetts Institute of Technology

Image

Sanitäter reagieren auf einen Notruf, um einen älteren Patienten mit Atembeschwerden zu finden. Der Patient ist ängstlich und desorientiert und hat Schwierigkeiten, sich an alle Medikamente zu erinnern, die er einnimmt. Aufgrund seiner Atemnot ist das Sprechen schwierig. Leidet er an akutem Emphysem oder Herzversagen? Die Symptome sehen gleich aus, aber die Einleitung eines falschen Behandlungsplans erhöht das Risiko schwerer Komplikationen für den Patienten.

Forscher des Forschungslabors für Elektronik des MIT, die mit Ärzten der Harvard Medical School und des Einstein Medical Center in Philadelphia zusammenarbeiten, sind der Ansicht, dass die Wiederverwendung eines medizinischen Ausrüstungsstandards in allen Krankenwagen in den USA und in Europa den Sanitätern helfen könnte, diese Art der Felddiagnose durchzuführen .

In der Dezember-Ausgabe von IEEE Transactions on Biomedical Engineering stellen sie einen neuen Algorithmus vor, mit dem mit hoher Genauigkeit anhand von Messwerten eines Kapnographen - einer Maschine zur Messung der Kohlendioxidkonzentration - festgestellt werden kann, ob ein Patient an Emphysem oder Herzinsuffizienz leidet beim Ausatmen eines Patienten.

"Diese Maschine ist allgegenwärtig", sagt George Verghese, Henry Ellis Warren-Professor für Elektrotechnik und Biomedizintechnik am MIT und einer der Mitautoren der Arbeit. "Eigentlich ist es in jeder Notaufnahme und in jedem Operationssaal vorhanden. Aber die Verwendung, die sie normalerweise haben, ist wesentlich eingeschränkter als das, was wir hier versucht haben."

In den USA wurde die Kapnographie erstmals in den 1980er Jahren eingeführt, um Medizinern das Einführen von Atemschläuchen in die Luftröhre sedierter Patienten zu erleichtern. Wenn das Röhrchen versehentlich in die Speiseröhre eingeführt würde, was eher zum Magen als zur Lunge führt, würde der Kapnograph überhaupt keine Kohlendioxidkonzentrationen messen.

In diesem Zusammenhang ist ein Kapnogramm leicht zu lesen. Wenn der Kapnograph ein regelmäßiges Wellenmuster mit Ausatemwipfeln und Einatemwipfeln anzeigt, wurde der Tubus ordnungsgemäß eingeführt. Wenn das Kapnogramm flach ist, ist es nicht so.

Reiches Signal

Im Laufe der Zeit beobachteten die Ärzte jedoch, dass die Kapnogramme von Patienten mit Herzinsuffizienz und Lungenemphysem - oder chronisch obstruktiven Lungenerkrankungen, wie sie in der medizinischen Literatur genannt werden - subtil, aber konsistent voneinander und von denen gesunder Probanden verschieden waren.

Einer dieser Ärzte, Baruch Krauss, Notfallmediziner am Boston Children's Hospital und außerordentlicher Professor an der Harvard Medical School, war der Ansicht, dass das kapnographische Signal eine Quelle für diagnostisch nützliche Informationen sein könnte, insbesondere für Sanitäter. Ein in einem Krankenhauslabor durchgeführter Bluttest kann Emphysem und Herzinsuffizienz genau unterscheiden. Ab dem Zeitpunkt, zu dem eine Probe eingeht, dauert es jedoch ungefähr eine Stunde - zu lange, als dass ein Patient den Notruf tätigen könnte.

Krauss war bekannt, dass sich die Gruppe für Computerphysiologie und klinische Inferenz am RLE auf neuartige diagnostische Anwendungen von minimal invasiven Sensoren spezialisiert hatte, und bat um ein Treffen mit dem Leiter der Gruppe, Verghese, und dem stellvertretenden Professor für Elektrotechnik und Biomedizintechnik, Thomas Heldt, der seitdem zu MIT gehört Institut für Medizintechnik und Naturwissenschaften. "Wir kannten nicht einmal das Wort" Kapnographie ", bis Baruch ein Treffen mit uns vereinbarte und uns davon erzählte", sagt Verghese.

Verghese und Heldt rekrutierten Rebecca Mieloszyk, eine Studentin in ihrer Gruppe, die gerade mit ihrem Masterstudium begonnen hatte, um die Beziehung zwischen den Kapnogrammen der Patienten und ihren endgültigen Diagnosen zu untersuchen.

Mieloszyks erste Aufgabe bestand darin, Merkmale des kapnografischen Signals zu identifizieren, die zwischen den Populationen zu variieren schienen. Die Wellenberge in den Kapnogrammen gesunder Probanden schienen beispielsweise bei maximaler Konzentration ein Plateau zu erreichen, während dies bei kranken Patienten nicht der Fall war. Andere offensichtliche Faktoren, die zu berücksichtigen waren, waren die Dauer der Ausatmung und die Intervalle zwischen ihnen.

Nachdem sie vielleicht ein Dutzend solcher Merkmale identifiziert hatte, schrieb sie einen Algorithmus zum maschinellen Lernen, der nach Mustern in den Merkmalen suchen sollte, die mit den endgültigen Diagnosen der Patienten zu korrelieren schienen. Dieser Algorithmus war jedoch etwas unkonventionell.

Demokratische Entscheidungen

Anstatt einen einzelnen Klassifikator auf einen Datensatz zu trainieren und ihn dann auf einen anderen Datensatz loszulösen, um zu sehen, wie er funktioniert, teilte sie die Trainingsdaten in 50 Teilmengen auf. Jede Untermenge bestand aus einer zufälligen Auswahl von etwa 70 Prozent der Daten - es gab also eine signifikante Überlappung zwischen Untermengen, aber keine zwei Untermengen waren identisch. Dann verwendete sie diese Untergruppen, um 50 verschiedene Klassifikatoren zu trainieren. Die endgültige Ausgabe des Algorithmus war das Ergebnis einer Abstimmung durch die 50 Klassifikatoren.

Diagnosetechniken werden im Allgemeinen anhand ihrer wahr-positiven Rate - dem Anteil der tatsächlich diagnostizierten Fälle, die sie erfolgreich diagnostizieren - und ihrer falsch-positiven Rate - dem Anteil der gesunden Probanden, die sie als krank einstufen - bewertet. Diese können in einem Diagramm gegeneinander aufgetragen werden, wobei als y-Achse wahr-positiv und als x-Achse falsch-positiv ist.

Die ideale Diagnose würde eine gerade Linie über dem oberen Rand des Diagramms ergeben: Die wahr-positive Rate ist immer 1, auch wenn die falsch-positive Rate 0 ist. Die Linie erzeugt ein Quadrat mit einer Fläche von 1, da sich die Spitze von erstreckt (0, 1) bis (1, 1). Eine gute Diagnose ist also eine, deren Bereich unter der Kurve nahe bei 1 liegt.

In ihren Tests stellten die MIT-Forscher und ihre Kollegen fest, dass ihr Algorithmus zur Unterscheidung gesunder Personen von Patienten mit Emphysem eine Fläche unter der Kurve von 0, 98 ergab. Der Algorithmus, der Emphysempatienten von Patienten mit kongestiver Herzinsuffizienz unterschied, wurde bei 0, 89 eingecheckt.

"Das ist eine sehr gute Leistung", sagt Krauss. "Wenn das Krankenwagensystem eine ältere Person aufnimmt, die kurzatmig ist, können sie häufig nicht feststellen, ob sie aufgrund eines Emphysems oder einer Herzinsuffizienz kurzatmig ist. Wenn wir es also tun, versuchen wir es einfach." Ich denke, wir machen das wirklich ziemlich gut. "

Validierung

Um jedoch genau zu bestimmen, wie gut die Forscher derzeit einen Doppelblindversuch durchführen, bei dem Sanitäter den Zustand der Patienten beurteilen und Kapnogramme erstellen, deren Ergebnisse vom Algorithmus der MIT-Forscher analysiert werden. In einer anderen Arbeit untersuchen andere Mitglieder des Teams von Verghese und Heldt, ob die Kapnographie die Schwere von Asthmaanfällen und den Grad der Sedierung bei Patienten messen kann, die sich medizinischen Eingriffen unterziehen.

"Ich bin überzeugt, dass die Früchte dieser Arbeit in 10 Jahren in der medizinischen Praxis alltäglich sein werden", sagt Steven Green, Professor für Notfallmedizin und Pädiatrie an der Loma Linda University und stellvertretender Herausgeber der Zeitschrift Annals of Emergency Medicine . "Es gibt zwei echte, dringende Bedürfnisse, für die diese Arbeit vielversprechend ist, und wahrscheinlich werden im Laufe der Technologie weitere identifiziert werden."

"Erstens werden jedes Jahr viele Tausend Patienten wegen schwerer Atemnot mit Krankenwagen transportiert", sagt er. "Es gibt zwei leicht zu behandelnde, aber unterschiedliche Ursachen dafür - entweder Keuchen oder Flüssigkeit in der Lunge aufgrund von Herzinsuffizienz - und es kann schwierig sein, das aktive Problem zu identifizieren. Oft behandeln Sanitäter einfach beide Erkrankungen, indem sie die Patienten der Niereninsuffizienz aussetzen." Risiken beider Arzneimitteltherapien. Diese Technologie zeigt das Versprechen, diese Zustände schnell zu differenzieren. "

"Zweitens erhalten jedes Jahr viele tausend Patienten Medikamente, um sie für schmerzhafte oder unangenehme Eingriffe wie Koloskopie, Knochenbruchreduktion oder zahnärztliche Arbeiten zu beruhigen", fügt Green hinzu. "Die Medikamente, die dafür am effektivsten sind, können auch die normale Atmung verlangsamen, wobei die Gefahr besteht, dass die Atmung ganz unterbrochen wird. Aktuelle Technologien zur Überwachung der Beatmungsfähigkeit können nur wenige Sekunden vor Auftreten einer Atemkomplikation ein Problem anzeigen. Diese neue Technologie ist das Versprechen für dem Kliniker eine größere Vorwarnung geben. "