在加护病房这类高风险环境里,护理人员有着比输入资料更紧迫的任务,也就是提醒医院使用能自动测量患者生命迹象的装置。

这些能节省时间的机器所创造出的患者资料量,远超过手动输入的资料量,让人工智能有机会从中挖掘各种信息,以便及早发现严重的并发症。

其中一项严重的并发症即是败血症,这是一种免疫系统在对抗感染时出现的过度发炎反应,可能会危及生命。

田纳西大学健康科学中心儿科系生物医学信息学中心助理教授 Rishikesan Kamaleswaran 说:「要是治疗的动作慢一点,(败血症的)致死风险每小时都在上升。」

美国疾病管制与预防中心指出美国医院里有三分之一的患者死于败血症,且美国每年有超过7.5万例的儿童患有严重败血症,Kamaleswaran 表示儿童的败血症致死率高于成人,接近五成的比例。许多幸存者日后在健康方面都会出现问题,或是认知发展有所变化。

要诊断败血症并不容易,它有着诸多症状而没有明确定义。严重的败血症会造成患者血压下降、心跳速度快速上升、需氧量增加及器官开始衰竭。

Kamaleswaran 说:「患者无显著原因便出现过度反应,护理人员通常就会将其归类为败血症。」

Kamaleswaran 及其研究团队正在着手开发一种深度学习模型,可以较传统筛检法提前24个小时检测出败血症。早期提醒让医师有机会进行测试以确认诊断结果,或者单纯更频繁查看患者以监测症状。

Kamaleswaran 及其研究团队与 Le Bonheur 儿童医院合作收集小儿败血症资料。照片:Le Bonheur 儿童医院儿科加护病房主任 Dr. Samir Shah。(照片由 Le Bonheur 儿童医院提供)

败血症的症状

每名败血症患者在不同时间点出现症状,有些可能表现出早期症状,而其他人可能只会在出现多重器官衰竭的情况后,在临床上才诊断出罹患败血症。

「可惜这是一个极为被动的过程,要等到患者变得很严重了才会发现。」Kamaleswaran 说。

而且按照哪些器官出现衰竭的情况,致死的时间也不一样:心脏停止跳动或呼吸窘迫可能会在几分钟内致命,肾衰竭患者则可以进行透析再延长一周的生命,或是藉由治疗来恢复肾脏功能。

一般是利用验血的方式来诊断败血症,而验血这种侵入性的作法会增加患者接触到更多潜在感染源的机会。然而过去的研究资料指出,心率及血氧饱和度等非侵入性的症状也会指出对感染的病理反应。

Kamaleswaran 及其研究团队选择使用非侵入性的资料来开发其神经网络。

仔细研究来自加护病房的资料

现代医院的标准加护病房要求护理人员,每二到四小时取得一次心率、血氧浓度和血压等生命迹象的数字,不过放置在病床边的自动化机器能每分钟一次取得这些资料,也开始受到大量使用。

Kamaleswaran 说:「院方不是为了资料科学的目的来收集这些资料,而是为了减轻护理人员的工作负担。」护理人员可以使用从监视器自动取得的资料,无需以人工方式观看和输入每位患者的资料,进而省下宝贵的时间。

研究人员以每分钟采取一次的方式,收集了数百名年龄在6到18岁的儿科加护病房患者资料,以建立其资料组。他们使用一套筛选系统(非采用机器学习技术)来监测患者,在生命迹象超过某个门槛值时会发出警告,指出患者可能出现败血症的症状。

要是发出警告,护理人员会在两小时内亲自对患者进行检查,确认患者是否患有败血症。

研究人员使用单一 NVIDIA GPU,搭配 TensorFlow 及 Keras 软件来对其卷积神经网络进行测试。

理想的算法应该及早预测出败血症,时间上也不能太早,以免获得过多的假阳性警讯,感染风险也不一定就真的会出现感染。研究人员的卷积神经网络在灵敏度为 75% 时,准确度超过八成。

最近在由 Dr. Oguz Akbilgic、Dr. Samir Shah 及 Dr. Robert L. Davis 等研究人员共同撰写的报告里,发表了这些研究结果。

他们的目标是将这种深度学习模型用于患者病床边的监测装置,以便在医院实时进行诊断。不过研究人员得先建立更大的败血症患者数据库,以提高模型的精确度。

他们为此与 Le Bonheur 儿童医院及多伦多病童医院合作,还运用 NVIDIA GPU 奖助金计划的 TITAN Xp GPU 开发一种可在 GPU 上运行的推论软件,以便在患者病床边运行败血症检测软件。