Como uma das maiores organizações de pesquisa e tratamento do câncer nos Estados Unidos, a missão da City of Hope é transformar o tratamento do câncer. O avanço desta missão requer uma série de tecnologias de ponta para alimentar tratamentos e serviços inovadores adaptados às necessidades específicas dos pacientes.
City of Hope implanta modelos baseados em IA para prever eventos específicos que são possíveis durante o tratamento de um paciente. Ela construiu muitos modelos internos de IA, incluindo um projetado para prever e prevenir o risco de sepse para a população de maior risco do centro de câncer: pacientes transplantados de medula óssea cujos sistemas imunológicos foram temporariamente comprometidos para tratamento.
O modelo de previsão de sepse da City of Hope reduz as taxas de sepse e de escalada na UTI para seus pacientes transplantados de medula óssea.
Ao usar modelos preditivos em uma aplicação clínica, os dados e resultados precisam ser o mais em tempo real possível para garantir atualidade e precisão. Isto exige a implementação de tecnologias como o streaming de dados, que serve como espinha dorsal dos modelos preditivos.
Tendo realizado quase 19.000 transplantes de células-tronco e medula óssea, a City of Hope tem um dos maiores e mais bem-sucedidos programas desse tipo nos Estados Unidos. A Cidade da Esperança quer evitar complicações no tratamento, tornando a segurança do paciente de extrema importância.
A sepse, uma infecção potencialmente fatal, pode progredir rapidamente sem aviso prévio, causando danos graves aos órgãos ou morte. Os pacientes transplantados de medula óssea são particularmente vulneráveis à sepse como resultado da quimioterapia ou radiação recebida antes do transplante e da supressão do sistema imunológico posteriormente. Entre 5 e 10% dos pacientes transplantados desenvolverão sepse, e o risco de resultados negativos nesses pacientes é muito alto.
Embora existam modelos de previsão de sepse prontos para uso, a City of Hope precisava criar um modelo especializado que pudesse ser treinado e avaliado para funcionar em pacientes transplantados de medula óssea. Isso reuniu sua equipe médica e as equipes de IA aplicada e ciência de dados para criar um modelo preditivo especializado que tem usado há quase três anos.
Um dos principais objetivos da City of Hope é ajudar os médicos a tomar decisões clínicas baseadas em dados, usando dados em tempo real.
Ao treinar modelos preditivos, o City of Hope usa o máximo de dados possível para o escopo e aplicação do modelo. Para o modelo de previsão de sepse, concentrou-se principalmente no uso de dados relevantes para o tratamento de pacientes internados com transplante de medula óssea. Isso inclui dados sobre sinais vitais do paciente, medicamentos, resultados laboratoriais e dados de admissão, alta e transferência (ADT).
No entanto, como a sepse pode progredir rapidamente em termos de gravidade ou até choque séptico, era necessária uma aplicação oportuna que pudesse ajudar a prever o risco de sepse usando informações em tempo real. Depender de seu data warehouse para obter esses dados não era mais suficiente. Os data warehouses tradicionais são projetados para processamento em lote que geralmente é executado durante a noite. Além disso, para garantir resultados de previsão mais precisos, a City of Hope precisava que o modelo gerasse previsões somente após a ocorrência do transplante de medula óssea e uma vez que o produto celular fosse administrado ao paciente. Um atraso de um dia entre o data warehouse e o desenvolvimento de um modelo em tempo real para previsão de sepse não funcionaria.
Para atender a esses requisitos, a equipe construiu uma infraestrutura em tempo real usando Apache Kafka. Essa infraestrutura precisava ser escalonável e preparada para o futuro, para que pudessem adicionar diferentes fluxos de dados e gerar previsões para cuidados intensivos em tempo real ou pseudo-real, dependendo da aplicação.
Eles projetaram e implementaram um ambiente Kafka para pré-processar fluxos de dados em tempo real de registros médicos e para executar esses dados por meio de seus modelos preditivos. Esses modelos então geram previsões que são realimentadas no sistema de registros eletrônicos de saúde da Epic e acionam diferentes fluxos de trabalho clínicos e notificações para um médico ou enfermeiro se um paciente precisar de uma escalação de cuidados.
City of Hope decidiu usar Kafka para criar um sistema projetado para streaming de dados e dados em tempo real.
Ele usa Epic como fonte de dados para o modelo de previsão de sepse. A Epic possui eventos de gatilho integrados que geram mensagens de saída em tempo real na forma de mensagens HL7 (Health Level 7) sempre que algo muda – por exemplo, quando um novo resultado de trabalho de laboratório chega ou quando uma nova medição de pressão arterial é registrada em Épico.
Depois que médicos e enfermeiros inserem essas informações no Epic, os dados são enviados para o mecanismo de integração de dados Corepoint. Ele converte essas mensagens HL7 em JSON e, a partir daí, os dados vão para a nuvem e, por fim, para os tópicos Kafka. City of Hope tem cinco tópicos Kafka diferentes: sinais vitais, resultados laboratoriais, pedidos de medicamentos, ADT e administração de substâncias.
O modelo de previsão de sepse da City of Hope opera com base em um subconjunto de informações dos pacientes – aqueles submetidos a procedimentos de transplante de medula óssea. Eles rastreiam dois eventos, um que indica que o paciente foi internado e outro que indica que o paciente recebeu um produto celular durante o transplante. Médicos e enfermeiros usam então uma série de tópicos Kafka e microsserviços para verificar essas condições, armazenar informações e acionar o modelo para gerar previsões. Kafka também serve como solução de backup. Se o modelo de previsão falhar, ele recupera perfeitamente o estado necessário do tópico designado no Kafka — aproveitando seu recurso de log imutável, que permite reprodução instantânea e retenção infinita — garantindo processamento ininterrupto.
Para pacientes internados submetidos a procedimentos, os dados são filtrados, pré-processados e combinados antes de serem enviados de volta para um modelo preditivo que completa o processamento.
Em seguida, as previsões vão para um tópico Kafka e um microsserviço envia as previsões de volta para o Epic. Eles acionam recomendações de melhores práticas na Epic para que médicos ou enfermeiros vejam e tomem medidas.
O Confluent Cloud no Microsoft Azure permitiu que a City of Hope gerenciasse melhor sua infraestrutura em tempo real. A Confluent equipou a organização com o conjunto certo de ferramentas para garantir clareza no sistema e entender melhor o que está acontecendo nos bastidores e corrigir problemas rapidamente. Com o rico ecossistema de conectores do Confluent, ele conseguiu conectar os dados ao Kafka em apenas algumas horas.
Para uma organização nacional do seu tamanho, mesmo pequenas mudanças podem ter um grande impacto. Por exemplo, existem diferentes fontes de dados para laboratórios que processam a hemocultura de um paciente, e cada laboratório utiliza seus próprios identificadores em seu sistema. Na verificação pontual de tópicos de dados usando o banco de dados KSQL, percebeu-se que a convenção de nomenclatura da contagem de glóbulos brancos de uma das fontes do laboratório havia mudado. Se não fosse percebido, isso poderia ter prejudicado o modelo preditivo e levado a resultados imprecisos para os pacientes.
Embora não exista um conselho único quando se trata de construir e implantar sistemas alimentados por IA, é importante construir modelos que possam ser facilmente dimensionados e dar suporte ao desenvolvimento futuro de aplicativos.
A chave é adotar uma abordagem que prioriza a pesquisa para garantir a implementação correta. Isso também garantirá que você tenha ao seu lado as partes interessadas internas certas, que apoiarão sua visão de construção para o futuro. É importante nutrir esses relacionamentos com diversas partes interessadas em toda a organização, que serão seus aliados e podem ajudar a impulsionar o crescimento da sua empresa a longo prazo.
Há também muitos aspectos técnicos a serem considerados, especialmente com relação à escalabilidade, confiabilidade e disponibilidade do sistema que você está construindo. Isto é especialmente verdadeiro em um ambiente de saúde, quando o atendimento ao paciente está em jogo. A implantação do Confluent facilitou as previsões de sepse e ajudou a manter os pacientes monitorados e saudáveis durante os processos de tratamento do câncer.
YOUTUBE.COM/THENEWSTACK
A tecnologia avança rápido, não perca um episódio. Inscreva-se em nosso canal no YouTube para transmitir todos os nossos podcasts, entrevistas, demonstrações e muito mais.
SE INSCREVER
