informatikai technolÓgiÁk az intenzÍv ÁpolÁsban · intenzív ápolás •az intenzív ápolás...
TRANSCRIPT
INFORMATIKAI TECHNOLÓGIÁK AZ
INTENZÍV ÁPOLÁSBANBenyó Balázs
Budapesti Műszaki és Gazdaságtudományi Egyetem
Tartalom
• Bevezető• Kihívások az egészségügyben
• Intenzív ápolás: szoros vércukor szabályozás problémája
• Szoros vércukor szabályozás protokoll megvalósítása
• Módszerek• Modellezés
• Döntéstámogató rendszer
• In-silico szimuláció
• Összefoglalás, kitekintés
EGÉSZSÉGÜGY KIHÍVÁSAI
Egészségügy jövője
• Nyugati társadalmak:• Öregedő társadalom, eltolódó korfa
Egészségügy jövője
• Nyugati társadalmak:• Öregedő társadalom, eltolódó korfa
• Egészségipar:• Új és drága diagnosztikai és terápiás eszközök
• Növekvő emberi munka igény: orvosi, ápolói feladatok
A változások költségvetési hatása
Egészségügy jövője
• Nyugati társadalmak:• Öregedő társadalom, eltolódó korfa
• Egészségipar:• Új és drága diagnosztikai és terápiás eszközök
• Növekvő emberi munka igény: orvosi, ápolói feladatok
• Megoldás:• Drasztikus hatékonyság növekedés
• Mérnöki módszerek alkalmazása az orvosi gyakorlatban• Modell alapú megközelítés az orvosi diagnosztikai és ápolási feladatok megoldására
Mérnöki módszerek alkalmazása
I
en
L
I
ex
IK
I
L
G
cI
G
b
G
IG
V
Gux
V
tutQtIntIn
tI
tInI
tQ
tQntQtInQ
V
tPNCNSEGPPPd
tQ
tQtGStGpG
)()1(
)())()(()(
)(1
)(
)(1
)())()((
)(),min(
)(1
)()()(
.
.
max22
.
I
en
L
I
ex
IK
I
L
G
cI
G
b
G
IG
V
Gux
V
tutQtIntIn
tI
tInI
tQ
tQntQtInQ
V
tPNCNSEGPPPd
tQ
tQtGStGpG
)()1(
)())()(()(
)(1
)(
)(1
)())()((
)(),min(
)(1
)()()(
.
.
max22
.
INTENZÍV ÁPOLÁS
Intenzív ápolás
• Az intenzív ápolás az egészségügyi ellátás egyik leg költségigényesebb területe• Az egészségügyi ellátásra fordított költségek 7-15%
• A teljes GDP ~1%
• Ápolási célok:• Keringés fenntartása
• Lélegeztetés
• Táplálás
SZOROS VÉRCUKOR SZABÁLYOZÁS
Probléma
Szoros vércukor szabályozásA vércukorszint normoglikémiás tartományban tartása
inzulin adagolással és a táplálás szabályozásával
Inzulin és tápanyag
Vércukor mérés
Szoros vércukor szabályozással a mortalitás 25-40%-alcsökkenthető.
Probléma• Probléma: a szoros vércukor szabályozás
megvalósítása nehéz
• Összetett fiziológiai rendszer
• Egymástól lényegesen különböző, gyorsan változó állapotú betegek
• Hipoglikémia – hiperglikémia
• Kórosasan alacsony, ill. magas vércukorszint
• Normoglikémiás tartomány:
• 4,4 – 6 (8) mmol/l
• Különböző mértékben és időtávon, de mindkettő negatív következményekkel jár
A hipoglikémia következményei: célszerv-károsodások
KIR-történések2Szív érintettség1 Ér-történések1
Halál1,2
1. Desouza CV, et al. Diabetes Care 2010;33(6):1389-13942. Boyle et al. South Med J 2007;100(2):183-194
• Stroke, myocardiuminfarctus, akut szívbetegség, kamrai arrhythmia
• Csökkent perctérfogat, teljesítmény, myocardium kontraktilitás
• Rohamok, görcsök, kóma
STAR PROTOKOLL
A nővér beállítja a javasolt értékeket a pumpákon
Beteg kezelése
Mért beteg paraméterek
“Nurse-in-the-loop” típusú rendszer. Intenzív terápiában általánosan használt eszközökkel és általános célú számítástechnikai eszközzel megvalósítható.
Döntéstámogató rendszer
I
en
L
I
ex
IK
I
L
G
cI
G
b
G
IG
V
Gux
V
tutQtIntIn
tI
tInI
tQ
tQntQtInQ
V
tPNCNSEGPPPd
tQ
tQtGStGpG
)()1(
)())()(()(
)(1
)(
)(1
)())()((
)(),min(
)(1
)()()(
.
.
max22
.
Közvetlenül nem mérhető betegparaméterek meghatározása a
döntéstámogatáshoz
Inzulin szenzitivitás (SI)
A STAR protokoll alkalmazása
STAR protokoll
• STAR: • Stochastic Targeted Control
• Előnyök:• Betegenként állítható céltartomány
• Kockázatok közvetlen kezelése
• Számítógépes alkalmazás tabletre
• Egyszerű, felhasználóbarát kezelői felület
Követelmények
Elvárások:
Egyszerű működési logika
Orvosilag elfogadható kezelési ajánlások, javaslatok nyújtása
Klinikai feltételek között lehessen alkalmazni, követelményekhez adaptálni
Felhasználóbarát funkcionalitás és megjelenés
Orvosok elvárásai a szabályozással kapcsolatban:
Klinikai értékelésszempontjai
Optimális szabályozás Alkalmazhatóság
• A vércukorszint stabil tartományban tartása
Szigorú kontroll
• Hypoglycaemia rövidebb idő alatt okoz életveszélyes állapotot, mint a hyperglycaemia
Legfontosabb a biztonság
• Alacsony tápanyagbevitel hosszabb intenzív ápolási időt eredményez
Magas tápanyagbevitel
• Ápolás egyszerűsítésével időt és pénzt tudunk megtakarítani
Mérés szám csökkentése
MÓDSZEREK
Módszerek
• Modellezés, modell alkotás• Kompartment modell a vércukor háztartás
leírására
• Döntéstámogató módszer és rendszer• Beteg jövőbeni állapotának becslése, inzulin
érzékenység becslése
• In-silico szimulációs környezet• Számítógépes környezet kezelési protokollok
minősítésére valós betegadatokra támaszkodva
Brain
Other
cells
Insulin losses
(liver, kidneys)
Glucose
Insulin
Liver
Blood
Glucose
Liver
Insulin
sensitivity
Insulin
sensitivity
Effective
insulin
Plasma
Insulin
Pancreas
Brain
Other
cells
Insulin losses
(liver, kidneys)
Glucose
Insulin
Liver
Blood
Glucose
Liver
Insulin
sensitivity
Insulin
sensitivity
Effective
insulin
Plasma
Insulin
Pancreas
)(
)(
1...
tV
CNSEGPtP
Q
QGSGpG
G
MAX
G
IG
kIkQQ
B
tuk
I
ex
I
IeV
tu
I
nII exI
))(()(
1
Fiziológiai folyamat kompartment modell
MODELLEZÉS
Modell alapú megközelítésA fiziológiai rendszer működésének leírása
Modell alapú megközelítésA fiziológiai rendszert leíró
matematikai modell kidolgozása
I
en
L
I
ex
IK
I
L
G
cI
G
b
G
IG
V
Gux
V
tutQtIntIn
tI
tInI
tQ
tQntQtInQ
V
tPNCNSEGPPPd
tQ
tQtGStGpG
)()1(
)())()(()(
)(1
)(
)(1
)())()((
)(),min(
)(1
)()()(
.
.
max22
.
Modell alapú megközelítés
I
en
L
I
ex
IK
I
L
G
cI
G
b
G
IG
V
Gux
V
tutQtIntIn
tI
tInI
tQ
tQntQtInQ
V
tPNCNSEGPPPd
tQ
tQtGStGpG
)()1(
)())()(()(
)(1
)(
)(1
)())()((
)(),min(
)(1
)()()(
.
.
max22
.
A modell alapján szimuláció, identifikáció stb. felhasználásával tervezzük meg és
implementáljuk a terápiás módszert.
I
en
L
I
ex
IK
I
L
G
cI
G
b
G
IG
V
Gux
V
tutQtIntIn
tI
tInI
tQ
tQntQtInQ
V
tPNCNSEGPPPd
tQ
tQtGStGpG
)()1(
)())()(()(
)(1
)(
)(1
)())()((
)(),min(
)(1
)()()(
.
.
max22
.
Vércukor szintet befolyásoló fiziológiai folyamatok modellezése
ICING: Intensive Control Insulin-Nutrition-Glucose
DÖNTÉSTÁMOGATÓ RENDSZER
Inzulin szenzitivitás, SI(t) használata
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
x 10-3
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2x 10
-3
Insulin Sensitivity NOW
Insu
lin
Sen
sit
ivit
y
IN F
OU
R H
OU
RS
0 10 20 30 40 50 60 70 800
5
10
15
BG
(m
mol/L)
BG measurements - simulated
Model BG - simulated
Target band
0 10 20 30 40 50 60 70 800
200
400
I/Q
(m
U/L
)
I - simulated
Q - simulated
0 10 20 30 40 50 60 70 800
1
2
3x 10
-3
SI [
L/(
mU
.min
)]
Time (Hours)
Insulin sensitivity
0 10 20 30 40 50 60 70 800
0.1
0.2
Insulin
(U
/hr)
Time (hours)
0 10 20 30 40 50 60 70 800
0.1
0.2
Dex (
g/h
r)
Insulin
EN Dextrose
PN Dextrose
EN Dextrose
PN Dextrose
Insulin
BG[mg/dL]
Time
4.4
6.5
Insulin sensitivity
Blood glucose
tnow
Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level
For a given feed+insulinintevention an output BG distribution can be forecast using the model
tnow+(1-3)hr
95th
75th
50th
25th
5th
5th
25th
50th
75th
95th
5th, 25th, 50th (median), 75th, 95th
percentile bounds for SI(t)variation based on current value
Insulin sensitivity
Blood glucose
tnow
Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level
For a given feed+insulinintevention an output BG distribution can be forecast using the model
tnow+(1-3)hr
95th
75th
50th
25th
5th
5th
25th
50th
75th
95th
Valószínűségi modell az SIbecslésére
Jósolt VC értékek:
A beteg várható reakciója!
SI (határ)értékek
+ismert inzulin bevitel
+Rendszer modell
= ...
Iterative process targets this BG forecast to the range we want:
= optimal treatment found!Patient response forecast can be recalculated for
different treatments
Protokoll működése
BG[mg/dL]
Time
4.4
6.5
Insulin sensitivity
Blood glucose
tnow
Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level
For a given feed+insulinintevention an output BG distribution can be forecast using the model
tnow+(1-3)hr
95th
75th
50th
25th
5th
5th
25th
50th
75th
95th
5th, 25th, 50th (median), 75th, 95th
percentile bounds for SI(t)variation based on current value
Insulin sensitivity
Blood glucose
tnow
Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level
For a given feed+insulinintevention an output BG distribution can be forecast using the model
tnow+(1-3)hr
95th
75th
50th
25th
5th
5th
25th
50th
75th
95th
Sztochasztikus modell az SIbecslésére
Jósolt VC értékek:
A beteg várható reakciója!
SI (határ)értékek
+ismert inzulin bevitel
+Rendszer modell
= ...
Protokoll működése
A jósolt beteg választ ki tudjuk számolni
különböző kezelési opciókhoz
Lépésenkénti közelítéssel beállít-juk a VC szintet a céltartományba :
= megtaláltuk az optimális kezelést!
IN-SILICO SZIMULÁCIÓ
Virtuális betegek)(
)(
1...
tV
CNSEGPtP
Q
QGSGpG
G
MAX
G
IG
kIkQQ
B
tuk
I
ex
I
IeV
tu
I
nII exI
))(()(
1
In-silico szimuláció)(
)(
1...
tV
CNSEGPtP
Q
QGSGpG
G
MAX
G
IG
kIkQQ
B
tuk
I
ex
I
IeV
tu
I
nII exI
))(()(
1
KLINIKAI EREDMÉNYEK
HATÉKONY?
EredményekSTAR Chch STAR Gyula
Workload
# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)
Átlagos mérési gyakoriság (óra): 1,85 2,05
Control performance
VC median [IQR] (mmol/L):6,8
[6,0 – 7,9]6,8
[5,8 – 7,8]
VC céltartományban töltött idő (4,4-8mmol/L) 82,6% 85,7%
VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%
Safety
VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%
VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%
Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)
Clinical interventions
Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]
Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]
Median táplálás arány a célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]
BIZTONSÁGOS?
EredményekSTAR Chch STAR Gyula
Workload
# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)
Átlagos mérési gyakoriság (óra): 1,85 2,05
Control performance
VC median [IQR] (mmol/L):6,8
[6,0 – 7,9]6,8
[5,8 – 7,8]
VC céltartományban töltött idő (4,4-8mmol/L) 82,6% 85,7%
VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%
Safety
VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%
VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%
Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)
Clinical interventions
Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]
Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]
Median táplálás arány a célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]
ÁPOLÁSI IGÉNY ELEMZÉSE
EredményekSTAR Chch STAR Gyula
Workload
# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)
Átlagos mérési gyakoriság (óra): 1,85 2,05
Control performance
VC median [IQR] (mmol/L):6,8
[6,0 – 7,9]6,8
[5,8 – 7,8]
VC céltartományban töltött idő (*4,4-8mmol/L) 82,6% 85,7%
VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%
Safety
VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%
VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%
Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)
Clinical interventions
Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]
Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]
Median táplálás arány célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]
MEGFELELŐ A BEVITT TÁPANYAG
MENNYISÉGE?
EredményekSTAR Chch STAR Gyula
Workload
# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)
Átlagos mérési gyakoriság (óra): 1,85 2,05
Control performance
VC median [IQR] (mmol/L):6,8
[6,0 – 7,9]6,8
[5,8 – 7,8]
VC céltartományban töltött idő (*4,4-8mmol/L) 82,6% 85,7%
VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%
Safety
VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%
VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%
Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)
Clinical interventions
Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]
Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]
Median táplálás arány célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]
ÖSSZEFOGLALÁS, KITEKINTÉS
Összefoglalás
• Mérnöki, informatikai módszerek orvosi feladatok megoldására• Élettani folyamatok modellezése
• Jellemző feladatok• Modellezés
• Döntéstámogatás
• In-silico szimuláció
• Eredmény: Személyre szabható ápolási módszerek
• Alkalmazási területek• Intenzív terápia: táplálási, mesterséges lélegeztetés, kardiovaszkuláris ellátás
• Képrekonstrukciós módszerek: 4D képrekonstrukció
CURE Soft alkalmazása
CURE Soft alkalmazás közben
1 2
KÖSZÖNÖM A FIGYELMET!Benyó Balázs
Kutatási projektek:OTKA K116574: Sztochasztikus modellek kidolgozása intenzív terápiában alkalmazható új generációs modell alapú szoros vércukor szabályozási módszerhez: új modellektől és módszerektől a klinikai validációig (NKFI-6)FP7-PEOPLE-2012-IRSES: eTime – Engineering Technology-based Innovation in Medicine, Project number 318943VKSZ_14-1-2015-0072: SCOPIA – Endoszkópos diagnosztikán alapuló, szoftverrel támogatott eszközök fejlesztése; pályázat száma: