Sztuczna inteligencja wspiera bezpieczniejsze i precyzyjniejsze zarządzanie poziomem cukru we krwi po operacji serca

Naukowcy z Icahn School of Medicine at Mount Sinai opracowali narzędzie oparte na uczeniu maszynowym, które może wspomagać lekarzy w zarządzaniu poziomem glukozy u pacjentów po operacjach kardiochirurgicznych. Zadanie to jest kluczowe, ale trudne w warunkach oddziału intensywnej terapii (OIOM). Wyniki badania opublikowano 27 maja w internetowym wydaniu czasopisma NPJ Digital Medicine.

Wyzwania w kontroli glikemii po zabiegach kardiochirurgicznych

Pacjenci po operacjach serca są narażeni zarówno na hiperglikemię, jak i hipoglikemię – oba stany mogą prowadzić do poważnych powikłań. Dawkowanie insuliny wymaga precyzji i elastyczności, jednak istniejące protokoły często zawodzą z powodu nieprzewidywalności leczenia w OIOM oraz indywidualnych różnic między pacjentami.

GLUCOSE – spersonalizowany model uczenia wzmacniającego

Aby odpowiedzieć na to wyzwanie, zespół badaczy stworzył model uczenia wzmacniającego o nazwie GLUCOSE, który rekomenduje indywidualnie dostosowane dawki insuliny. W testach opartych na rzeczywistych danych klinicznych z OIOM, model GLUCOSE dorównywał lub przewyższał doświadczonych klinicystów w utrzymaniu poziomu cukru we krwi w bezpiecznym zakresie — mimo że miał dostęp wyłącznie do bieżących danych pacjenta, podczas gdy lekarze dysponowali pełną historią medyczną.

„Nasze badanie pokazuje, że sztuczną inteligencję można opracować w sposób przemyślany i odpowiedzialny, jako wsparcie — a nie zamiennik — dla klinicznego osądu lekarzy,” mówi dr Ankit Sakhuja, współautor publikacji, profesor nadzwyczajny medycyny cyfrowej i członek Instytutu Medycyny Krytycznej Icahn School of Medicine.

Uczenie ostrożne i rozkładowe – bezpieczeństwo przede wszystkim

Model GLUCOSE został wytrenowany metodą uczenia wzmacniającego z wykorzystaniem podejść konserwatywnego i rozkładowego uczenia, co miało zapewnić ostrożność i wiarygodność rekomendacji. Następnie został dokładnie oceniony i porównany z realnymi praktykami klinicznymi.

Mimo obiecujących wyników, naukowcy podkreślają, że GLUCOSE nie ma na celu zastąpienia lekarzy. Jego zadaniem jest wspieranie decyzji klinicznych — lekarze mogą, ale nie muszą kierować się jego sugestiami, zależnie od szerszego kontekstu klinicznego.

Przyszłość: integracja z systemami szpitalnymi

Model GLUCOSE może w przyszłości zostać zintegrowany z elektroniczną dokumentacją medyczną, dostarczając w czasie rzeczywistym zaleceń dotyczących dawkowania insuliny. Kolejne etapy obejmują badania kliniczne, adaptację do innych środowisk szpitalnych oraz włączenie do codziennej praktyki.

Jednym z obecnych ograniczeń jest brak uwzględnienia danych o żywieniu, co może wpływać na długoterminową kontrolę glikemii. Mimo to skuteczność modelu oparta wyłącznie na danych bieżących dowodzi jego potencjału w poprawie bezpieczeństwa i efektywności opieki pooperacyjnej.

„Naszym celem jest rozwój systemów AI, które w istotny sposób wspierają personel medyczny i przyczyniają się do lepszych wyników leczenia,” mówi dr Girish N. Nadkarni, współautor publikacji, przewodniczący Wydziału Sztucznej Inteligencji i Zdrowia Człowieka oraz dyrektor Instytutu Zdrowia Cyfrowego im. Hasso Plattnera w Icahn School of Medicine. „Modele takie jak GLUCOSE, które uczą się na rzeczywistych danych i oferują spersonalizowane rekomendacje, stanowią ważny krok w kierunku bezpiecznego wdrażania narzędzi AI do codziennej praktyki klinicznej.”

Artykuł opublikowano pod tytułem:
„A Distributional Reinforcement Learning Model for Optimal Glucose Control After Cardiac Surgery.”

Źródło: npj Digital Medicine, The Mount Sinai Hospital / Mount Sinai School of Medicine
fot. Desman, et al., NPJ Digital Medicine