tgoop.com/survmed03/1910
Last Update:
Назначение 5 и более препаратов согласовано с искусственным интеллектом: как нейросети успешно конкурируют с клиническими фармакологами
В ОРИТ пациентам часто назначается множество лекарств, которые конкурируют друг с другом, а пациенты испытывают различные осложнения и побочные эффекты.
Искусственный интеллект может обрабатывать большие массивы данных, находить новые закономерности и оптимизировать медикаментозную терапию в ОРИТ.
Индивидуальное дозирование. Woilard et al. описали модель ИИ, которая точно дозирует наркотические препараты. Yoon et al. создали модель, которая преуспела в дозировании такролимуса у пациентов после трансплантации печени. Hughes and Keizer показали, как машинное обучение снижает ошибки дозирования ванкомицина. Модель Delange et al. прогнозирует эффекты нефракционированного гепарина. А модель Verhaeghe et al. прогнозирует концентрацию пиперациллина у реанимационных пациентов. В другой его работе гибридная модель предсказывает концентрации нескольких антибиотиков, которые одновременно получает пациент.
Прогнозирование реакций. Komorowski et al. показал, как использование ИИ при лечении сепсиса снижает смертность. Sikora et al. смогли выявить новые фармакофенотипы с помощью машинного обучения. ИИ использовался для прогнозирования реакций на вазопрессин у пациентов с септическим шоком, а также паттернов, связанных с перегрузкой жидкостью. ИИ позволяет вовремя выявить побочные эффекты фармакотерапии.
Поддержка клинических решений. ИИ может поддерживать интеграцию данных пациента в реальном времени с исследованиями и рекомендациями. В ОРИТ обьем таких данных может быть очень большим. Модель McGuire et al. способна предсказывать риск появления карбапенемаз и давать рекомендации по антибактериальной терапии. Yalcin et al. использовали ИИ для снижения ошибок медикаментозной терапии в неонатологии. Способность нейросетей извлекать неструктурированные данные из электронных медицинских карт дает нам дополнительные возможности.
Оптимизация клинических испытаний. Критерии включения в группу испытуемых определяют результаты исследований. ИИ может, оперируя реальными данными, предлагать дизайн клинических испытаний. Liu et al. уже использовал нейросеть Trial Pathfinder AI для формирования критериев включения. Другие проекты, например TwinRCTs, способны создавать цифровых двойников, которые имитируют пациентов в РКИ.
А какие проблемы может создать ИИ в реанимации?
Качество данных. Неполные и противоречивые данные дают неточные прогнозы.
Клиническая валидация и надёжность. Первый шаг от экспериментов к внедрению - самый рискованный.
Доверие и прозрачность. Большинство моделей функционируют по принципу "черного ящика", что мешает клиницистам контролировать машинную логику. Клиницисты обычно используют базовые знания и не доверяют ИИ, в работе которого ничего не понимают.
Нормативно-этические соображения. Нормативная база безнадёжно отстала от новых тенденций и никак не регулирует клинические применение ИИ.
Так нужны ли нам еще клинические фармакологи?
Источник
#визионерство
BY Ночная охота
Share with your friend now:
tgoop.com/survmed03/1910