Kunstmatige intelligentie
Verouderde Noodprotocollen Klaar om Gemoderniseerd te Worden door Machine Learning
New data van de Osaka University hebben aangetoond dat de snel toenemende mogelijkheden van machine learning zich nu kunnen uitbreiden naar noodsituaties. Een onderzoeksteam heeft aangetoond dat de technologie nu effectief kan helpen bij het bepalen van geschikte kandidaten voor tranexaminezuur, waardoor de sterftecijfers onder traumapatiënten worden verlaagd.
Wat is tranexaminezuur (TXA)?
De meeste medicijnen zijn simpelweg behandelingen voor een bepaalde aandoening. Een paar echter kunnen echt levensreddend zijn. Een daarvan is tranexaminezuur, of ‘TXA’. In de eenvoudigste vorm wordt TXA aan patiënten gegeven om hevig bloedverlies te stoppen, meestal voortkomend uit een vorm van trauma.
Bij nader onderzoek werkt TXA door het verminderen en voorkomen van aanhoudend bloedverlies door de vorming van stolsels in het lichaam te bevorderen. Het bereikt dit door de vorming van een enzym genaamd plasmin te voorkomen, dat het eiwit dat essentieel is voor stolling – fibrine – afbreekt.
Normaal gesproken is de aanwezigheid van plasmin iets goeds, omdat het overmatige stolling en een reeks aandoeningen (bijv. beroertes, longembolie, diepe veneuze trombose, myocardinfarct, enz.) voorkomt die kunnen ontstaan. Echter, in een noodsituatie waarin bloedverlies moet worden gecontroleerd, is het vermogen van TXA om de vorming ervan te voorkomen cruciaal.
Levens redden in noodsituaties met machine learning
Of het nu een paramedicus aan de frontlinie is die een patiënt probeert te stabiliseren in de achterkant van een rijdende ambulance, of een verpleegkundige die samen met een team van zorgprofessionals in de spoedeisende hulp werkt, blijft TXA een belangrijk hulpmiddel voor het beheersen van ongecontroleerd bloedverlies als gevolg van trauma. Het is echter belangrijk te erkennen dat TXA niet geschikt is voor elke patiënt, omdat het vaak gepaard gaat met ernstige bijwerkingen, waardoor de beslissing om het toe te dienen moeilijk is.
Erkennend dat TXA niet universeel voordelig is vanwege mogelijke bijwerkingen, richtte de eerder genoemde studie zich op het identificeren van specifieke subgroepen van traumapatiënten die waarschijnlijk het meeste baat zouden hebben bij TXA-behandeling. In de toekomst kan dit vermogen om kandidaten te identificeren een belangrijke rol spelen bij het moderniseren van bestaande protocollen voor het bepalen van de geschiktheid voor toediening.
Met behulp van machine learning-technieken analyseerden de onderzoekers gegevens van meer dan 50.000 patiënten in de Japan Trauma Data Bank om acht verschillende traumafenotypes (groeperingen op basis van waarneembare kenmerken) te identificeren. Vervolgens onderzochten ze de impact van TXA op deze fenotypes met betrekking tot in-hospitale sterfte. De bevindingen toonden aan dat bepaalde subgroepen een significante vermindering van de sterfte vertoonden wanneer ze met TXA werden behandeld, terwijl andere geen voordeel ondervonden.
De studie benadrukt de diverse presentatie van traumapatiënten, wiens verwondingen sterk variëren in type en ernst, waardoor het moeilijk is om de effectiviteit van de behandeling op individueel niveau te voorspellen. Het doel van dit onderzoek is de gepersonaliseerde zorg voor traumapatiënten te verbeteren, waardoor de algehele kwaliteit van zorg en overlevingscijfers in deze hoogrisicogroep toenemen. Deze benadering van patiëntspecifieke behandeling kan leiden tot een effectievere inzet van TXA in trauma‑zorg, het verminderen van onnodige bijwerkingen en het optimaliseren van de resultaten – allemaal dankzij machine learning.
Machine Learning: Een centrale katalysator voor disruptieve technologieën
Deze studie is de nieuwste in een groeiende reeks voorbeelden die aantonen hoe subsets van kunstmatige intelligentie, zoals machine learning, kunnen uitblinken als een centrale katalysator of ‘kerntechnologie’ in vrijwel elke sector – een realisatie die werd benadrukt in Ark Invest’s ‘Big Ideas 2024’.
Dit wordt grotendeels toegeschreven aan het vermogen van AI om patronen te verwerken en te herkennen binnen enorme hoeveelheden data. Het kan dit efficiënter doen dan welke mens dan ook en ontwikkelt zich steeds sneller.
Machine Learning‑specialisten
Hoewel het nog enige tijd kan duren voordat machine learning wordt gebruikt om te bepalen of een patiënt TXA moet krijgen, zijn er al meerdere bedrijven die de technologie verder ontwikkelen. In feite zijn sommigen al begonnen het te integreren in andere aspecten van de gezondheidszorg die even belangrijk zijn.
*De onderstaande cijfers waren accuraat op het moment van schrijven en kunnen veranderen. Elke potentiële investeerder dient de cijfers te verifiëren*
1. NVIDIA
(NVDA
)
(NVDA )
| Marktkapitalisatie | Voorwaartse K/W 1 jr. | Winst per aandeel (EPS) |
| 2,179,359,750,000 | 38.31 | $11.94 |
NVIDIA staat aan de voorhoede van AI‑ontwikkeling en maakt gebruik van zijn krachtige GPU‑technologie om verschillende sectoren, waaronder de gezondheidszorg, vooruit te helpen. In de gezondheidszorg worden NVIDIA’s AI‑platformen gebruikt om geneesmiddelenontdekking, medische beeldvorming en genetische analyse te versnellen. Bijvoorbeeld, hun GPU’s maken snellere verwerking van grote datasets mogelijk voor taken zoals beelddiagnostiek, waardoor ziekten uit röntgenfoto’s en MRI‑’s met grotere nauwkeurigheid en snelheid kunnen worden geïdentificeerd.
NVIDIA werkt samen met onderzoeksinstellingen en zorgorganisaties om AI‑tools te ontwikkelen die ziekten voorspellen, de uitkomsten voor patiënten verbeteren en de zorgkosten verlagen. Via deze initiatieven verbetert NVIDIA bestaande zorgtoepassingen en pioniert nieuwe manieren om ziekten te diagnosticeren en te behandelen met de kracht van AI.
Op het moment van schrijven werd NVDA door de meerderheid van analisten vermeld als een ‘Sterke koop’
2. Powerful Medical
Het vlaggenschipproduct/-dienst van Powerful Medical staat bekend als PMCardio. Dit is een platform dat is ontworpen om zorgprofessionals te assisteren bij het analyseren, interpreteren, diagnosticeren en behandelen van cardiale gebeurtenissen.
Het maakt gebruik van machine learning om ECG’s te analyseren en te vergelijken met een enorme database van patiëntendossiers. Hierdoor kan PMCardio myocardinfarcten, ook wel ‘hartaanvallen’ genoemd, en andere afwijkingen nauwkeurig en snel detecteren.
Het platform onderscheidt zich door zijn vermogen om nauwkeurige diagnoses te leveren op het eerste contactpunt, wat cruciaal is voor tijdige interventie bij cardiovasculaire noodsituaties. De technologie van PMCardio is bijzonder belangrijk omdat het helpt de kritieke kloof te overbruggen bij het detecteren van hartproblemen die mogelijk niet duidelijk zijn via traditionele diagnostische methoden.
Door AI in haar werking te integreren, biedt PMCardio zorgprofessionals een krachtig hulpmiddel dat de coördinatie van zorg verbetert, het triage‑proces stroomlijnt en zorgt voor vroege en nauwkeurige detectie van potentieel levensbedreigende cardiale gebeurtenissen. Deze vooruitgang in medische technologie benadrukt het potentieel van AI om het vakgebied van cardiovasculaire diagnostiek te revolutioneren door de mogelijkheid om hartziekten effectief te voorspellen en te behandelen te verbeteren.
Op 1 maart 2024 heeft PMCardio €7,5 miljoen aan financiering veiliggesteld van de European Innovation Council om haar AI‑gebaseerde diagnostische tools verder te ontwikkelen, waarmee ze haar potentieel aantoont om een van de belangrijkste doodsoorzaken wereldwijd te verminderen.
