Искусственный интеллект (ИИ) очень широкий термин, описывающий весь спектр математических моделей и технологий программного обеспечения, используемых для выполнения заданий, которые ранее выполнялись людьми. Эти модели и технологии в зависимости от задач, которые они решают, включают нейронные сети (глубокое обучение), машинного обучение (machine learning [ML]) и обработку естественного языка (natural language processing [NLP]) [1. 2]. Значительные достижения в количестве компьютеров, увеличение скорости процессов обработки и появление облачных вычислительных технологий внесло существенный вклад в резкий скачок инноваций и доступности этих технологий. В этой короткой редакторской статье мы обсудим, как технологии ИИ могут быть использованы для диагностики делирия, описания его эпидемиологии, прогнозирования рисков и для информирования при разработке дизайна последующих рандомизированных клинических исследований.
Делирий — уникальный синдром без специфических диагностических тестов, который определяется лишь словами. К примеру, его диагностическим «золотым стандартом» служит руководство по диагностике и статистике психических расстройств версии V (the Diagnostic and Statistical Manual of Mental Disorders version V [DSM]) [3]. Диагностическая структура DSM в большей степени основана на словах, что подвержены семантическому сдвигу и создают трудности для использования в практике [4]. Для преодоления этих проблем было разработано 75 инструментов скрининга [5]. При этом все эти инструменты также основаны на словах, фразах или описаниях и открыты для интерпретаций [6]. Само наличие такого большого количества инструментов скрининга подразумевает заметную вариативность в интерпретации языка, окружающего делирий. В свою очередь такая ситуация указывает на необходимость в помощи при прогнозировании делирия и его идентификации как синдрома, что описывается словами, более воспроизводимыми измерениями, как это было сделано, к примеру, для сепсиса, острого респираторного дистресс-синдрома (ОРДС) или для острого почечного повреждения. В этом отношении технологии ИИ, что умеют анализировать слова с высокой скоростью и в больших масштабах с системной воспроизводимостью и без вариативности в интерпретации, могут принести пользу как для эпидемиологических исследований, так и для диагностики делирия, особенно когда NLP комбинируется с машинным обучением. В нескольких исследованиях уже показаны возможности моделей машинного обучения в прогнозировании делирия. К примеру, используя данных тысяч пациентов отделений интенсивной терапии (ОИТ), исследователи разработали и валидировали модель машинного обучения для прогнозирования делирия [7] с AUC ROC > 0.8. С другой стороны, сами модели требуют надежной диагностики, что создает дополнительные трудности при их применении. К примеру, в вышеуказанном исследовании диагноз делирия основывался на результатах метода оценки спутанности сознания у пациентов в ОИТ (the Confusion Assessment Method for ICU [CAM-ICU]) или чек-листа скрининга на делирий в интенсивной терапии (the Intensive Care Delirium Screening Checklist). Эти инструменты скрининга принадлежат к семейству из 75 инструментов скрининга, что характеризуется изменчивой эффективностью и несут зависимость от центра или критериев валидации [6]. Тем не менее, даже с такими ограничениями и вне сферы диагностики делирия с помощью NLP, уже есть публикации о прогнозировании делирия с помощью машинного обучения в послеоперационном периоде [8], у хирургических пациентов [9] и у пациентов отделения интенсивной терапии пожилого и старческого возраста [10]. К тому же, в настоящий момент проходит проверку анализ электроэнцефалографии (ЭЭГ) на основании машинного обучения для прогнозирования послеоперационного делирия [11]. Исследователи получили предоперационные данные ЭЭГ в покое от 85 пациентов плановой хирургии. Эти данные были использованы для обучения модели прогноза и последующего тестирования ее производительности в независимой проспективной когорте. Исследователи обнаружили специфичность более 90% и чувствительность более 80% для положительной оценки по САМ-ICU в послеоперационном периоде. Эти предварительные результаты поддерживают как роль машинного обучения, так и гипотезу о том, что пациенты, у которых развился делирий, имеют не выявленную нейрофизиологическую дисфункцию, предрасполагающую к развитию делирия. С другой стороны, логистика и стоимость такой оценки ЭЭГ делает на сегодня эту технологию непригодной к широкому применению на практике. В качестве резюме — даже с учетом указанных выше препятствий машинное обучение открывает дверь для раннего автоматического скрининга и вмешательства и может поспособствовать будущим исследованиям лечения делирия за счет быстрого анализа большого массива данных. К тому же, машинное обучение можно сочетать с другими аспектами ИИ, имя которым NLP.
В когорте из 12 609 пациентов ОИТ Young et al. [4] применили NLP для исследования 200 000 рабочих записей, содержащих 69 миллионов слов. В записях проводился поиск слов, указывающих на наличие нарушений поведения и возможного делирия. Совпадение с применением антипсихотических препаратов обосновывало связь с делирием. Если бы всех этих пациентов подвергнуть эпидемиологическому исследованию делирия с использованием CAM-ICU, тратя на каждого по пять минут в день, то это исследование забрало бы более 4000 часов. Но при использовании NLP анализ был полностью завершен через несколько часов. Более того, технологии NLP не ограничены временем использования и могут непрерывно фиксировать клинические изменения, а полученные данные доступны для ретроспективного анализа [12]. Наконец, NLP анализ может выполняться одновременно с клиническими записями по мере их создания, обеспечивая поступление дополнительной информации с генерацией рекомендаций и оповещений для медицинского персонала, работающего непосредственно у койки пациента. Возможности применения NLP при эпидемиологических исследованиях представляются безграничными. В своем последующем исследовании Young et al. [13] применили NLP для выявления подгрупп пациентов со специфическими фенотипами поведения. Такая идентификация фенотипа может быть использована для более эффективного планирования и проведения исследований. За пределами ОИТ технология NLP может сочетаться с машинным обучением (ML) в целях диагностики делирия, используя для этого заранее определенные «словари делирия» (delirium dictionaries). В недавнем исследовании такой комбинированный ML-NLP анализ показал AUCROC > 0.917 и «an area under the precision recall curve» 0.897, когда был поставлен диагноз делирия с последующим подтверждением двумя независимыми экспертами-клиницистами путем анализа доступных документов, характеристик, записей и данных лабораторных исследований [14]. Таким образом, язык клинического контекста, полученный из записей клиницистов, работающих непосредственно у койки пациента, может быть объединен с цифровыми данными, полученными из больших эпидемиологических исследований для дальнейшего обучения моделей в целях пополнения диагностических и терапевтических данных. И, наконец, выходя за пределы возможностей для эпидемиологических исследований делирия и предоставления диагностических ориентиров, модели ИИ в будущем, вероятно, будут разрабатываться для оптимизации стратегий лечения для каждого конкретного пациента, предоставляя ранее информирование клиницистам о возможном клиническом ухудшении [15].
В заключение — предотвращение делирия в ОИТ представляет большую неудовлетворенную потребность в связи с высокой распространенностью делирия, трудностями в его диагностике и той независимой ассоциацией с неблагоприятными исходами, что несет в себе делирий. К тому же, отсутствие диагностических биологических параметров и постоянно изменяющиеся характеристики делирия привели к ситуации, когда отсутствует золотой стандарт диагностики. В этих условиях ИИ, большие языковые модели, машинное обучение и NLP предлагают реальную возможность для разработки новые операционных стандартов для прогнозирования делирия и его диагностики, открывая дорогу для улучшения селекции пациентов в интервенционных исследованиях (см. Рис.1)

References
- Belinkov Y, Glass J (2019) Analysis methods in neural language processing: a survey. Trans Assoc Comput Linguist 7:49–72. https:// doi. org/ 10. 1162/ tacl_a_ 00254
- Binson VA, Thomas S, Subramoniam M et al (2024) A review of machine learning algorithms for biomedical applications. Ann Biomed Eng 52:1159–1183. https:// doi. org/ 10. 1007/ s10439- 024- 03459-3
- Association AP, Association AP (2013) Diagnostic and statistical manual of mental disorders: DSM-5, 5th edn. American Psychiatric Association, Washington, D.C.
- Young M, Holmes N, Robbins R et al (2021) Natural language processing to assess the epidemiology of delirium-suggestive behavioural distur-bances in critically ill patients. Crit Care Resusc 23:145–154
- Brefka S, Eschweiler GW, Dallmeier D et al (2022) Comparison of delirium detection tools in acute care: a rapid review. Z Für Gerontol Geriatr 55:105–115. https:// doi. org/ 10. 1007/ s00391- 021- 02003-5
- Luetz A, Heymann A, Radtke FM et al (2010) Different assessment tools for intensive care unit delirium: Which score to use? Crit Care Med 38:409–418. https:// doi. org/ 10. 1097/ CCM. 0b013 e3181 cabb42
- Gong KD, Lu R, Bergamaschi TS et al (2023) Predicting intyensive care delirium with machien learning: model development and external validation. Anesthesiology 138:299–311
- Ha W-S, Choi B-K, Yeom J et al (2024) Development and validation of machine learning models to predict postoperative delirium using clinical features and polysomnography variables. J Clin Med 13:5485. https:// doi. org/ 10. 3390/ jcm13 185485
- Jauk S, Kramer D, Sumerauer S et al (2024) Machine learning-based delirium prediction in surgical in-patients: a prospective validation study. JAMIA Open 7:ooae091. https:// doi. org/ 10. 1093/ jamia open/ ooae0 91
- Ma R, Zhao J, Wen Z et al (2024) Machine learning for the prediction of delirium in elderly intensive care unit patients. Eur Geriatr Med. https:// doi. org/ 10. 1007/ s41999- 024- 01012-y
- Ning M, Rodionov A, Ross JM, et al (2024) Prediction of Postoperative Delirium in Older Adults from Preoperative Cognition and Occipital Alpha Power from Resting-State Electroencephalogram. MedRxiv Prepr. Serv. Health Sci. 2024.08.15.24312053
- Young M, Holmes N, Kishore K et al (2022) Natural language processing diagnosed behavioral disturbance vs confusion assessment method for the intensive care unit: prevalence, patient characteristics, overlap, and association with treatment and outcome. Intensive Care Med 48:559–569. https:// doi. org/ 10. 1007/ s00134- 022- 06650-z
- Young M, Holmes NE, Kishore K et al (2023) Natural language processing diagnosed behavioural disturbance phenotypes in the intensive care unit: characteristics, prevalence, trajectory, treatment, and outcomes. Crit Care 27:425. https:// doi. org/ 10. 1186/ s13054- 023- 04695-0
- Amjad S, Holmes NE, Kishore K et al (2024) Advancing delirium classification: a clinical notes-based natural language processing-supported machine learning model. Intell-Based Med 9:100140
- Bellomo R, Chan M, Guy C et al (2018) Laboratory alerts to guide early intensive care team review in surgical patients: a feasibility, safety, and efficacy pilot randomized controlled trial. Resuscitation 133:167–172. https:// doi. org/ 10. 1016/j. resus citat ion. 2018. 10. 012
Источник: https://doi.org/10.1007/s00134-024-07774-0
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
