Dynamic mortality prediction in critically Ill children during interhospital transports to PICUs using explainable AI

כל דקה חשובה כשילד במצב קריטי מובל בין בתי חולים ליחידת טיפול נמרץ ילדים. צוותי ההובלה נדרשים להתמודד עם מרחב מוגבל, זמן קצוב ותנאים משתנים במהירות, בזמן שהם מנסים להעריך עד כמה מצבו של המטופל מסוכן. הכלים הקיימים, כמו מדד PIM3, מבוססים על הערכה חד פעמית שנעשית בשעות הראשונות לטיפול, ואינם מתעדים את השינויים המתרחשים בגוף המטופל בזמן ההובלה עצמה, שבה מצבו עשוי להשתנות במהירות וללא התראה.

האם אפשר לנצל את זרם הנתונים הרציף שמגיע ממוניטורים לסימנים חיוניים, בשילוב מידע רפואי ופרטי ההעברה, כדי לקבל תמונה מתעדכנת ומוסברת של הסיכון לתמותה ברגע נתון, ולא רק תחזית סטטית שנקבעת מראש? זו השאלה שמניחה את היסוד למחקר הנוכחי, שפיתח כלי בשם PROMPT המבוסס על למידת מכונה הניתנת להסבר.

החוקרים ניתחו נתונים מאלפי מקרי הובלה של שירות הובלה רפואי ייעודי לילדים בלונדון, ובחנו חמישה מודלים שונים של למידת מכונה שאומנו על נתוני חיים רציפים, רשומות רפואיות ומידע על מהלך ההעברה. באמצעות שיטות הסברה מתקדמות הם בדקו לא רק כיצד ניתן לחזות את הסיכון לתמותה, אלא גם כיצד להציג בזמן אמת אילו גורמים משפיעים על עלייה או ירידה בסיכון עבור כל מטופל בנפרד, במטרה לספק לצוותי ההובלה כלי תומך החלטות שקוף ומעודכן במהלך ההעברה עצמה.