Pacientų atpratinimas nuo mechaninės ventiliacijos yra vienas svarbiausių ir sudėtingiausių sprendimų intensyviosios terapijos skyriuose (ITS). Tradiciniai metodai, tokie kaip spontaninio kvėpavimo bandymai (SBT) ir klinikiniai vertinimo sistemos, dažnai nėra pakankamai jautrūs, kad galėtų aptikti subtilius, individualiems pacientams būdingus fiziologinius pokyčius, dėl kurių gali būti uždelstas ar nesėkmingas atjunkymas nuo ventiliacijos. Šis projektas siekia sukurti į laiką orientuotą ir interpretuojamą mašininio mokymosi sistemą, skirtą numatyti sunkumus atpratinant nuo mechaninės ventiliacijos ITS pacientus, naudojant didelės dažnio, daugiamates biosignalo laiko eiles, tokias kaip kvėpavimo dažnis, deguonies įsotinimas, FiO?, PEEP ir kraujospūdis. Siūlomas modelis prognozuos paciento pasirengimą atpratinti jį nuo ventiliacijos per artimiausias 6–12 valandų, suteikdamas aktyvią, duomenimis pagrįstą klinikinę pagalbą.
Projektas pasinaudos realias sąlygas atitinkančiais ITS duomenų rinkiniais (pvz., MIMIC-IV, eICU), kad sukurtų individualizuotus, kontekstą atspindinčius modelius, kurie atspindi dinamišką paciento fiziologijos pobūdį. Be to, bus taikomi interpretuojami dirbtinio intelekto metodai, tokie kaip Shapley reikšmės ir dėmesio mechanizmai, siekiant nustatyti svarbiausius veiksnius, lemiančius suprantamus rezultatus. Vienas iš naujų šio tyrimo aspektų yra kontrafaktinių scenarijų tyrimas, skirtas modeliuoti alternatyvius klinikinius sprendimus (pvz., „Kas būtų, jei būtume bandę atjunkyti anksčiau?“), taip suteikiant esminę įžvalgą, kaip optimizuoti paciento valdymą.
Tikėtini rezultatai apima patvirtintus AI modelius, mokslines publikacijas ir praktines priemones ITS duomenų analizei, galiausiai gerinant pacientų saugumą, trumpinant buvimo ITS trukmę ir optimizuojant išteklių panaudojimą. Projektas atitinka platesnius personalizuotos medicinos plėtros ir tvarios sveikatos priežiūros sistemų prioritetų tikslus.
Projekto finansavimas:
Lietuvos mokslo taryba, Mokslininkų grupių projektai
Projekto rezultatai:
Patvirtintas, laiko atžvilgiu veikiantis mašininio mokymosi modelis, skirtas numatyti sudėtingą atpratinimą nuo MV, sumažinant buvimo intensyviosios terapijos skyriuje trukmę 20–30 %, o reintubacijos dažnumą – 15–20 %.
Metodika, skirta integruoti interpretuojamą dirbtinį intelektą ir kontrafaktinių argumentų kūrimą klinikinėje prognozėje.
Įžvalgos apie biosignalų modelius, susijusius su atpratinimo sėkme ar nesėkme, laikinius modelius.
Vertinimo metrikos, rizikos veiksniai ir funkcijų svarbos išvados, kurios prisideda prie mokslinio intensyviosios terapijos skyriaus sprendimų palaikymo supratimo.
Projekto įgyvendinimo laikotarpis: 2025-12-01 - 2028-11-30
Projekto koordinatorius: Kauno technologijos universitetas