Naukowcy z Icahn School of Medicine at Mount Sinai opracowali model sztucznej inteligencji, który może pomóc przewidywać, którzy pacjenci w stanie krytycznym podłączeni do respiratora są narażeni na niedostateczne żywienie. Wyniki badań opublikowano w internetowym wydaniu Nature Communications z 17 grudnia. Badacze wskazują, że wczesne wykrycie ryzyka niedożywienia może umożliwić wcześniejszą korektę planu żywieniowego i w efekcie poprawić opiekę nad pacjentami.
Pierwszy tydzień wentylacji mechanicznej jest szczególnie ważny, ponieważ potrzeby żywieniowe pacjentów zmieniają się szybko w tym okresie. Jak podkreśnia współkierujący badaniem Ankit Sakhuja, MBBS, MS, Associate Professor of Artificial Intelligence and Human Health, and Medicine (Data‑Driven and Digital Medicine), zbyt wielu pacjentów na oddziałach intensywnej terapii nie otrzymuje w tym krytycznym czasie odpowiedniego wsparcia żywieniowego. Z tego powodu zespół postawił sobie za cel opracowanie prostego i szybkiego sposobu identyfikacji osób najbardziej narażonych na „opóźnienie” w żywieniu, tak aby klinicyści mogli szybciej interweniować.
Zespół stworzył narzędzie nazwane NutriSighT, które wykorzystuje rutynowe dane zbierane na oddziałach intensywnej terapii — takie jak parametry życiowe, wyniki badań laboratoryjnych, stosowane leki oraz informacje o dotychczasowym żywieniu — aby przewidzieć, z wyprzedzeniem godzinowym, u których pacjentów istnieje ryzyko niedostatecznego dostarczania kalorii w dniach 3–7 wentylacji. Model był trenowany i walidowany przy użyciu dużych zanonimizowanych zbiorów danych z oddziałów intensywnej terapii z Europy i Stanów Zjednoczonych, a jego prognozy są aktualizowane co cztery godziny w miarę zmiany stanu pacjenta.
Analiza przyniosła kilka istotnych ustaleń, które mogą mieć praktyczne zastosowanie w opiece nad chorymi. Po pierwsze, niedożywienie jest częstym problemem we wczesnej fazie pobytu na OIT: odsetek pacjentów niedożywionych wynosił około 41–53% w trzecim dniu terapii, a 25–35% pacjentów pozostawało w stanie niedożywienia w dniu siódmym. Po drugie, model jest dynamiczny i interpretable — oznacza to, że nie tylko przewiduje ryzyko, lecz także wskazuje rutynowe czynniki, które je wpływają, na przykład ciśnienie krwi, poziom sodu czy stosowane sedacja.
- 41–53% pacjentów było niedożywionych w trzecim dniu wentylacji;
- 25–35% pacjentów pozostawało niedożywionych w siódmym dniu;
- model aktualizuje prognozy co 4 godziny i ujawnia wpływ konkretnych parametrów klinicznych na ryzyko niedożywienia.
Dla praktyki klinicznej oznacza to potencjał do bardziej spersonalizowanych planów żywieniowych: narzędzie może wspierać zespoły żywieniowe, pełnić rolę systemu wczesnego ostrzegania i pomagać projektować badania kliniczne, które ustalą najbardziej skuteczne strategie żywieniowe dla konkretnych pacjentów. Autorzy kładą nacisk, że NutriSighT nie ma zastępować lekarzy; jego rola miałaby polegać na dostarczeniu dodatkowej, szybko dostępnej informacji pomagającej w podjęciu decyzji i szybszym dostosowaniu terapii żywieniowej.
Następnymi krokami zespołu będą prospektywne badania wieloośrodkowe, sprawdzenie, czy podejmowanie działań na podstawie prognoz rzeczywiście poprawia wyniki pacjentów, oraz ostrożna integracja narzędzia z systemami elektronicznej dokumentacji medycznej. W planach jest też rozszerzenie systemu tak, aby uwzględniał szerszy zakres celów żywieniowych dopasowanych indywidualnie do pacjenta.
Współkierujący badaniem Girish N. Nadkarni, MD, MPH, Chair of the Windreich Department of Artificial Intelligence and Human Health, Director of the Hasso Plattner Institute for Digital Health, Irene and Dr. Arthur M. Fishberg Professor of Medicine at the Icahn School of Medicine at Mount Sinai oraz Chief AI Officer of the Mount Sinai Health System, podkreśla, że po raz pierwszy może stać się możliwe wczesne zidentyfikowanie pacjentów zagrożonych niedożywieniem i dopasowanie opieki do ich indywidualnych potrzeb — krok w stronę bardziej precyzyjnej, spersonalizowanej medycyny.
Artykuł naukowy nosi tytuł „NutriSighT: Interpretable Transformer Model for Dynamic Prediction of Underfeeding Enteral Nutrition in Mechanically Ventilated Patients”. Wykaz autorów publikacji obejmuje Mateen Jangda, Jayshil Patel, Akhil Vaid, Jaskirat Gill, Paul McCarthy, Jacob Desman, Rohit Gupta, Dhruv Patel, Nidhi Kavi, Shruti Bakare, Eyal Klang, Robert Freeman, Anthony Manasia, John Oropello, Lili Chan, Mayte Suarez‑Farinas, Alexander W. Charney, Roopa Kohli‑Seth, Girish N. Nadkarni oraz Ankit Sakhuja. Badanie otrzymało wsparcie finansowe w ramach grantu National Institutes of Health o numerze K08DK131286.e.
