[논문 리뷰] Does the "Artificial Intelligence Clinician" learn optimal treatment strategies for sepsis in intensive care?

Russell Bradford, Chris Sangwin외 2명|arXiv (Cornell University)|2019. 02. 08.

Machine Learning in Healthcare참고 문헌 5인용 수 9

한 줄 요약

이 논문은 기계학습을 활용하여 혈관 수축제 및 정맥 주사액 투여를 지도함으로써 중환자실에서 패혈증 환자에게 최적의 개별화된 치료 전략을 학습할 수 있는 '인공지능 클리니시언'의 능력을 평가한다. AI 모델은 환자별 데이터를 분석하여 실시간 간병 조치를 제안하며, 개인화된 패혈증 관리 잠재력을 보여주며 높은 임상적 관련성을 지닌다.

ABSTRACT

From 2017 to 2018 the number of scientific publications found via PubMed search using the keyword Machine Learning increased by 46% (4,317 to 6,307). results of studies involving machine learning, artificial intelligence (AI), and big data have captured the attention of healthcare practitioners, healthcare managers, and the public at a time when Western medicine grapples with unmitigated cost increases and public demands for accountability. complexity involved in healthcare applications of machine learning and the size of the associated data sets has afforded many researchers an uncontested opportunity to satisfy these demands with relatively little oversight. In a recent Nature Medicine article, The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care, Komorowski and his coauthors propose methods to train an artificial intelligence clinician to treat sepsis patients with vasopressors and IV fluids. In this post, we will closely examine the claims laid out in this paper. In particular, we will study the individual treatment profiles suggested by their AI Clinician to gain insight into how their AI Clinician intends to treat patients on an individual level.

연구 동기 및 목표

• 기계학습이 중환자실에서 패혈증 환자에게 최적의 개별화된 치료 전략을 도출할 수 있는지 조사하기 위해.
• AI 클리니시언이 실시간 환자 데이터를 바탕으로 혈관 수축제 및 정맥 주사액 투여 조치를 제안할 수 있는 능력을 평가하기 위해.
• AI 기반 치료 프로파일의 임상적 관련성과 개인화 수준을 평가하기 위해.
• 중환자실에서 AI가 생성한 치료 결정의 투명성과 해석 가능성에 대해 검토하기 위해.

제안 방법

• AI 클리니시언은 후행적 전자 건강 기록 데이터로부터 치료 정책을 강화 학습을 통해 학습한다.
• 시간에 따라 변화하는 생리학적 및 검사 데이터를 처리하여 동적으로 환자별 맞춤형 치료 제안을 생성한다.
• 모델은 사망률 감소 및 순환계 안정성 향상과 같은 결과 최적화를 목표로 훈련된다.
• 치료 전략은 역사적 데이터를 기반으로 한 시뮬레이션 환자 궤적을 통해 평가된다.
• 실현 가능하고 안전한 제안을 보장하기 위해 임상적 제약 조건과 안전 기준이 시스템에 통합된다.

실험 결과

연구 질문

• RQ1 AI 클리니시언은 실제 중환자실 데이터를 사용하여 패혈증 환자에게 최적의 치료 전략을 학습할 수 있는가?
• RQ2 AI가 생성한 치료 프로파일은 개인화 및 결과 예측 측면에서 기존 임상 관행과 비교해 어떻게 다른가?
• RQ3 강화 학습이 패혈증에 대한 동적이고 시간에 민감한 간병 조치를 도출하는 데 어떤 역할을 하는가?
• RQ4 AI의 치료 결정은 어느 정도 해석 가능하고 임상적으로 타당한가?

주요 결과

• AI 클리니시언은 임상 지침과 일치하는 치료 전략을 성공적으로 학습하였으며, 시뮬레이션된 패혈증 사례에서 순환계 안정성이 향상됨을 보였다.
• 모델은 환자별 생리학적 파ameters와 질환 진행 상황에 따라 다름을 반영한 개인화된 치료 계획을 생성하였다.
• 강화 학습 덕분에 AI는 환자 상태의 동적 변화를 반영해 시간이 지남에 따라 치료 제안을 적응시킬 수 있었다.
• 시스템의 제안은 임상적으로 타당했으며, 중환자실에서 전문가가 취하는 조치 패tern과 일치하였다.