Saintis UCSF telah menggabungkan penanda biologi berasaskan gen dengan AI generatif untuk mengesan jangkitan paru-paru berbahaya dalam pesakit ICU dengan ketepatan yang luar biasa. Pendekatan ini dapat mempercepat diagnosis dan mengurangkan antibiotik yang tidak diperlukan dengan ketara.
Jangkitan paru-paru seperti pneumonia adalah antara pembunuh utama di dunia, namun walaupun di unit rawatan rapi moden, ia agak sukar untuk didiagnosis. Ketidakpastian itu sering mendorong doktor untuk menetapkan antibiotik yang kuat sekiranya berlaku — naluri menyelamatkan nyawa yang juga mendorong kerintangan ubat dan mendedahkan pesakit kepada kesan sampingan yang tidak perlu.
Penyelidik di Universiti California San Francisco mengatakan pendekatan baharu yang menggabungkan biomarker berasaskan darah dengan kecerdasan buatan generatif boleh mengubah persamaan itu.
Dalam satu kajian pemerhatian terhadap orang dewasa yang sakit tenat, diterbitkan hari ini dalam jurnal Nature Communications, model pasukan itu mengenal pasti jangkitan pernafasan bawah dengan betul sebanyak 96% daripada masa. Ia juga melakukan tugas yang lebih baik daripada doktor rawatan rapi dalam membezakan punca kegagalan pernafasan yang berjangkit dan tidak berjangkit.
Para penyelidik menganggarkan bahawa jika model mereka tersedia semasa pesakit dimasukkan ke hospital, ia boleh mengurangkan penggunaan antibiotik yang tidak sesuai sebanyak lebih daripada 80%.
“Kami telah mencipta kaedah yang memberikan hasil yang jauh lebih pantas berbanding kultur, dan ia mungkin mudah dilaksanakan di klinik,” kata penulis kanan Chaz Langelier, profesor perubatan madya di UCSF, dalam satu siaran berita. “Kami yakin ia boleh membawa kepada diagnosis yang lebih pantas dan mengurangkan penggunaan antibiotik yang tidak perlu.”
Kultur, yang melibatkan pembiakan bakteria daripada sampel pesakit, merupakan cara standard untuk mengesahkan jangkitan, tetapi ia boleh mengambil masa beberapa hari dan kadangkala gagal menumbuhkan apa-apa langsung. Sementara itu, doktor mesti memutuskan sama ada untuk memulakan atau meneruskan antibiotik berdasarkan maklumat yang tidak lengkap daripada imbasan, ujian makmal dan pemeriksaan di sisi katil.
Model UCSF menangani masalah itu dari dua arah sekaligus.
Satu bahagian ialah penanda biologi berdasarkan gen yang dipanggil FABP4, yang dikenal pasti oleh kumpulan Langelier pada tahun 2023 sebagai isyarat yang menjanjikan jangkitan pernafasan bawah. FABP4 membantu memodulasi keradangan dan kurang aktif dalam sel imun tertentu berbanding sel paru-paru normal. Dengan mengukur seberapa kuat gen tersebut diekspresikan, para penyelidik dapat membuat kesimpulan sama ada badan sedang meningkatkan jenis tindak balas yang biasanya mengiringi jangkitan paru-paru yang serius.
Bahagian yang lain ialah sistem AI generatif yang membaca dan mentafsir rekod perubatan elektronik pesakit. Menggunakan GPT-4 pada platform perlindungan privasi yang dibangunkan di UCSF, pasukan itu mereka bentuk gesaan yang membimbing AI untuk menapis nota klinikal, nilai makmal, laporan pengimejan dan data lain untuk menentukan sama ada pneumonia atau jangkitan pernafasan bawah yang lain mungkin berlaku.
Kajian ini menggunakan data daripada dua kumpulan pesakit ICU. Sembilan puluh lapan pesakit telah direkrut sebelum pandemik COVID-19, ketika kebanyakan jangkitan adalah bakteria. 59 lagi telah direkrut semasa pandemik, ketika jangkitan virus, termasuk COVID-19, lebih biasa berlaku.
Apabila para penyelidik menguji setiap kaedah secara berasingan — sama ada penanda bio FABP4 atau analisis AI — setiap satu mencapai ketepatan diagnostik kira-kira 80%. Keuntungan sebenar datang apabila mereka menggabungkan kedua-duanya.
Mereka kemudian membandingkan prestasi model tersebut dengan diagnosis yang dibuat oleh doktor ICU yang memasukkan pesakit ke dalam hospital. Doktor-doktor tersebut menetapkan antibiotik untuk pneumonia dalam kebanyakan kes, mencerminkan risiko tinggi terlepas jangkitan berbahaya. Model gabungan biomarker-tambah-AI adalah lebih selektif, melabelkan lebih sedikit pesakit sebagai menghidap pneumonia sambil masih mengesan hampir semua jangkitan sebenar.
Untuk lebih memahami bagaimana AI membuat keputusannya, pasukan itu juga membandingkannya dengan tiga doktor yang pakar dalam perubatan dalaman dan penyakit berjangkit. Kedua-dua pakar AI dan manusia mendapat bilangan diagnosis yang sama dengan betul, tetapi mereka nampaknya bergantung pada jenis maklumat yang berbeza. AI cenderung memberi lebih banyak pemberat kepada laporan radiologi daripada sinar-X dada, manakala doktor lebih menumpukan pada nota klinikal naratif.
“Ia hampir menunjukkan perbezaan budaya, jika anda boleh mengatakannya tentang AI,” tambah penulis bersama pertama Natasha Spottiswoode, penolong profesor perubatan di UCSF. “Ia menunjukkan bagaimana AI boleh melengkapi kerja yang dilakukan oleh doktor.”
Daripada mengekalkan gesaan AI mereka sebagai hak milik, para penyelidik menerbitkannya dalam kertas kerja dan menggalakkan doktor lain untuk mencuba pendekatan serupa pada platform AI yang mematuhi HIPAA mereka sendiri. Ideanya adalah untuk menjadikan teknik ini mudah diakses, bukan sahaja oleh saintis data, tetapi juga oleh doktor barisan hadapan.
Penulis bersama pertama Hoang Van Phan, seorang ahli bioinformatik di UCSF, menekankan bahawa alat itu direka bentuk untuk mesra pengguna.
"Menggunakannya sangat mudah, anda tidak perlu menjadi ahli bioinformatik," katanya dalam siaran berita itu.
Pasukan ini kini sedang berusaha untuk mengesahkan model tersebut sebagai ujian klinikal yang boleh digunakan dalam masa nyata, bukan sahaja dalam analisis retrospektif. Ini memerlukan kajian lanjut untuk mengesahkan kebolehpercayaannya di hospital dan populasi pesakit yang berbeza, serta perhatian yang teliti terhadap keselamatan dan pengawasan.
Jika ia berterusan, pendekatan ini boleh menawarkan cara baharu yang ampuh untuk memperibadikan penjagaan di ICU: mengenal pasti pesakit mana yang benar-benar memerlukan antibiotik yang agresif dan yang tidak, sambil memberi gambaran yang lebih jelas kepada doktor tentang apa yang berlaku di dalam paru-paru.
Seterusnya, para penyelidik merancang untuk mengalihkan perhatian mereka kepada sepsis, iaitu tindak balas badan yang luar biasa dan selalunya membawa maut terhadap jangkitan. Seperti pneumonia, sepsis terkenal sukar untuk didiagnosis lebih awal dan tepat, dan ia kekal sebagai penyebab kematian yang paling biasa di hospital.
Secara lebih meluas, kajian ini mengetengahkan bagaimana menggabungkan pandangan biologi — seperti penanda biologi berasaskan gen — dengan sistem AI canggih boleh membantu menyelesaikan beberapa teka-teki diagnostik paling sukar dalam bidang perubatan. Bagi pesakit yang bergelut untuk bernafas di katil ICU, itu mungkin bermakna jawapan yang lebih pantas, rawatan yang lebih disasarkan dan peluang pemulihan yang lebih baik.