Skip to main content

Machine learning til bedre forståelse af kompleksiteten af sepsis

I et nyt studie søger man at opnå en bedre forståelse af sepsisfænotyper ved at applicere machine learning på store datamængder.

(Foto: Colourbox)

Redigeret af Peter Lange, plange@dadlnet.dk

29. aug. 2019
2 min.

Begrebet machine learning, på dansk kaldet maskinlæring, er baseret på en kombination af algoritmer med statistisk analyse. Ved anvendelse af store datamængder lærer computeren at genkende mønstre og finde nye sammenhænge. Inden for diagnostik har metoden været succesrig til billedanalyse f.eks. mammografitolkning. I et nyt studie anvender man en machine learning-metode kaldet klyngeanalyse til inddeling af patienter med sepsis i nye fænotyper, for at opnå en bedre forståelse af heterogeniteten af sepsis. I alt 29 kliniske og parakliniske variabler hos over 20.000 patienter med sepsis blev brugt til at udvikle algoritmer, som blev testet på over 40.000 andre patienter med sepsis. Forfatterne rapporterer, at de fandt fire forskellige sepsisfænotyper, som udviser forskellige kliniske karakteristika og har forskellige prognoser. Håbet er, at den nye fænotypeinddeling på længere sigt vil kunne anvendes til at opnå bedre stratificering i kliniske sepsisforsøg og give en bedre forståelse af heterogeniteten i behandlingseffekt for forskellige terapeutiske interventioner.

Afdelingslæge Hans-Christian Thorsen-Meyer, Intensiv Terapiklinik 4131, Rigshospitalet, kommenterer: »Sepsis er en syndromdiagnose med en meget bred definition, hvilket er medvirkende årsag til, at de fleste kliniske studier med patienter med sepsis ikke viser nogen behandlingseffekt af de undersøgte interventioner. I dette velgennemførte studie gives et interessant bud på, hvordan sepsis kan inddeles i fænotyper. Man benyttede en maskinlæringsalgoritme, k means clustering, på en meget stor patientkohorte, for at undersøge dette. Analysen afslørede fire sepsisfænotyper, som havde signifikant forskellige prognoser. Resultaterne var reproducerbare i fem andre patientkohorter med tilsammen godt 48.000 patienter. Man fandt, at de fire sepsisfænotyper korrelerede med inflammatoriske biomarkører, såsom interleukin-6, interleukin-10 og tumornekrosefaktor, hvilket tyder på, at de fire sepsisfænotyper repræsenterer forskellige typer eller sværhedsgrader af inflammation. I fremtidige studier kunne det være interessant at benytte samme metodik, men basere klyngeanalysen på f.eks. plasma proteomics med henblik på at finde patofysiologiske, i stedet for kliniske, fænotyper«.

Seymour CW, Kennedy JN, Wang S et al. Derivation, validation, and potential treatment implications of novel clinical phenotypes for sepsis. JAMA 19. maj 2019 (e-pub ahead of print).

Interessekonflikter: ingen