Όποιος δεν βρίσκεται σε ιατρικό επάγγελμα και που περιπλανιόταν στο τμήμα επείγουσας βοήθειας μπορεί να συγχέεται από τις ώρες αναμονής και τη μυστηριώδη διαδικασία με την οποία οι νοσηλευτές και οι γιατροί διεξάγουν ασθενείς στο στάδιο ER.
Οι ερευνητές της Ιατρικής Σχολής του Yale και του Πανεπιστημίου του John Hopkins έγραψαν πρόσφατα ότι το Πρόγραμμα Τεχνητής Νοημοσύνης που δημιούργησαν μπορούν να βελτιώσουν τη διαδικασία απόσπασης της επείγουσας φροντίδας, καθιστώντας το καθήκον να ταξινομούν πιο αποτελεσματικά και ακριβή. Η ταξινόμηση είναι όταν οι νοσηλευτές αξιολογούν τη σοβαρότητα των καταστάσεων κατά την κατανάλωση ασθενών.
Επίσης: Πώς το AI μπορεί να υπερφορτώσει την οθόνη γλυκόζης – και να πιάσει άλλα προβλήματα υγείας
“Η ταξινόμηση είναι ένα κρίσιμο πρώτο βήμα στην ακραία βοήθεια με βαθιές συνέπειες για τη διανομή των πόρων και, τελικά, τα αποτελέσματα του ασθενούς, συμπεριλαμβανομένης της επίπτωσης και της θνησιμότητας”, γράφουν οι επιστήμονες σε μια μελέτη που δημοσιεύθηκε στο New England Medical Journal.
Χρησιμοποιώντας το AI στη διαλογή
Οι συγγραφείς υποστηρίζουν ότι αυτή είναι η πρώτη μελέτη που δείχνει τα πραγματικά αποτελέσματα της χρήσης του AI στη διαλογή.
Ο κορυφαίος συγγραφέας του R. Andrew Taylor και των συναδέλφων του περιγράφουν ένα τριετές πείραμα, που καλύπτει το 2020 έως το 2023, όπου οι νοσηλευτές του τμήματος έκτακτης ανάγκης σε τρεις ERs στις βορειοανατολικές Ηνωμένες Πολιτείες χρησιμοποίησαν το πρόγραμμα AI για 176.648 ασθενείς για να βοηθήσουν τους νοσηλευτές να αξιολογήσουν τη σοβαρότητα των περιπτώσεων στην κατανάλωση.
Επίσης: Αυτό το εργαλείο II μελέτησε ιατρικά περιοδικά για να απαντήσει στα αιτήματα υγείας σας
Οι συγγραφείς διαπίστωσαν ότι οι νοσηλευτές που χρησιμοποιούν το εργαλείο θα μπορούσαν γρήγορα να μετακινήσουν τους ασθενείς μέσω της διαδικασίας απόσπασης της επείγουσας φροντίδας – από πόσο χρόνο χρειάστηκε για να εξασφαλιστεί η αρχική φροντίδα, πόσο χρόνο χρειάστηκε για να συνταγογραφήσει το κρεβάτι, πόσο χρόνο χρειάστηκε για να απορρίψει τους ασθενείς. Όλα αυτά οδήγησαν σε μείωση του χρόνου στο ER στο σύνολό του.
Το ενημερωμένο πρόγραμμα Triage AI, το CLINICAL Solutions Support Instrument (CDS), οδήγησε σε “βελτιωμένη απόδοση διαλογής και ED. [emergency department] Ροή ασθενών “, έγραψαν, έτσι” AI μπορεί να οδηγήσει σε μείωση της αναμονής και της διάρκειας της διαμονής.
Αλλά διαπίστωσαν επίσης ότι οι νοσηλευτές του οργάνου ήταν πιο προσεκτικοί όταν οι ασθενείς χρειάζονταν κρίσιμες παρεμβάσεις, όπως νοσηλεία, χειρουργική επέμβαση ή εισερχόμενη εντατική φροντίδα.
“Ξύλο” πιθανών λύσεων
Στη μελέτη, ο αντίκτυπος της υποστήριξης για τη διαλογή με βάση την τεχνητή νοημοσύνη σχετικά με τη βοήθεια στην βοήθεια έκτακτης ανάγκης, ο Taylor και η ομάδα του περιγράφουν ένα περιβάλλον χρήστη υπολογιστή που εμφανίζει τη σύσταση συμπαγών νοσοκόμων.
Το πρόγραμμα AI δεν είναι ένα μεγάλο μοντέλο γλώσσας, όπως το GPT OpenAI. Αυτή είναι μια πολύ πιο παλιά, πιο παραδοσιακή τεχνική AI, γνωστή ως “τυχαίο δάσος”, το οποίο βασίζεται σε νευρωνικά δίκτυα, όπως ένα GPT, αλλά δεν παράγει εξόδους κειμένου. Αντ ‘αυτού, αντλεί ένα “δέντρο” πιθανών λύσεων και επιλέγει το καλύτερο μεταξύ τους.
Το CDS εισήχθη με την ηλικία, το φύλο, το καθεστώς άφιξης, τα ζωτικά σημάδια, το “κύριο παράπονο”, τις συνακόλουθες ασθένειες (ιστορικό της κατάστασης της υγείας, που μπορεί να υποδηλώνουν περιοχές κινδύνου όπως η υψηλή αρτηριακή πίεση) και τα “ενεργά ιατρικά προβλήματα” κάθε ασθενούς κατά τη διάρκεια της χορήγησης. (Είναι ενδιαφέρον ότι σε όλες τις περιπτώσεις τα τρία πιο συνηθισμένα κύρια παράπονα ήταν ο κοιλιακός πόνος, ο πόνος στο στήθος και η δύσπνοια.)
Μετά την εισαγωγή των δεδομένων, η διεπαφή χρήστη έδειξε τη νοσοκόμα τη βαρύτητα του ασθενούς που παράγεται από CD σύμφωνα με την τυπική κλίμακα που ονομάζεται ESI ή η σοβαρότητα της έκτακτης ανάγκης. Το ESI αξιολογεί τους ασθενείς από 1 έως 5 από την άποψη της σοβαρότητας ή της «σοβαρότητας» της κατάστασης και το 1 είναι το πιο σοβαρό. Εξετάστηκαν επίσης σύντομες πληροφορίες σχετικά με την αιτιολόγηση της αξιολόγησης αυτοκινήτων.
Επίσης: Αυτός ο καθρέφτης AI μπορεί να παρακολουθεί το βάρος, την αρτηριακή πίεση, τον ύπνο και πολλά άλλα
Οι νοσηλευτές ρώτησαν αν συμφώνησαν ή δεν συμφώνησαν με την αξιολόγηση του ESI του υπολογιστή και τους ζητήθηκε να διορίσουν το δικό τους λογαριασμό, όπως συνήθως στο ER. Η συγκατάθεσή τους ή οι διαφωνίες με τον υπολογιστή ήταν μια σημαντική μεταβλητή στο πείραμα, καθώς η μελέτη μέτρησε αυτό που συνέβη όταν οι νοσοκόμες συμφωνήθηκαν ή όχι με τη σύσταση του AI.
Τα αποτελέσματα της ροής του ασθενούς
Αυτό που συνέβη με το “ρεύμα του ασθενούς” συγκρίθηκε για τους ασθενείς έξι μήνες πριν από την εισαγωγή συμπαγών δίσκων και έξι μήνες αργότερα.
Το κύριο αποτέλεσμα είναι ότι ο αριθμός των ανθρώπων που ομαδοποιούνται σε υψηλή ή χαμηλή οξύτητα έχει αλλάξει, καθώς και το προφίλ αυτού που ήταν υψηλός ή χαμηλός. Ο αριθμός των ατόμων επενδύει “χαμηλή” σοβαρότητα (ESI 4 ή 5), έχει αυξηθεί κατά σχεδόν 50%, ενώ το συνολικό ποσό στην κατηγορία “υψηλής” μειώθηκε κατά σχεδόν 9%και το συνολικό ποσό στα μέσα του 3ου επιπέδου μειώθηκε επίσης κατά σχεδόν 20%. Με άλλα λόγια, όλο και περισσότεροι άνθρωποι αυξήθηκαν πριν από τον κίνδυνο μείωση των συμπαγών δίσκων.
Επιπλέον, περισσότεροι ηλικιωμένοι ασθενείς μετακινήθηκαν σε μια ομάδα με υψηλή πλεξούδα, ενώ περισσότεροι νέοι μεταφέρθηκαν σε μια ομάδα με χαμηλή αγριότητα. Επίσης, έχουν σημειωθεί αλλαγές στον τρόπο με τον οποίο οι δείκτες της βιωσιμότητας, των καταγγελιών και των συνακόλουθων ασθενειών, για παράδειγμα, ο θωρακικός πόνος έγινε πιο συνηθισμένος σε όσους έχουν συνταγογραφηθεί χαμηλής δυσκολίας και δύσπνοια, εκδηλώνονται περισσότερο μεταξύ εκείνων που έχουν συνταγογραφηθεί υψηλή αναταραχή.
Με άλλα λόγια, το AI οδήγησε στο γεγονός ότι οι καταγγελίες χρησιμοποιήθηκαν για την «διαστρωμάτωση» των ασθενών.
Επίσης: Πώς το “ChatGpt Healthcare” μπορεί να επιταχύνει τη θεραπεία της ρευματοειδούς αρθρίτιδας
Η άμεση πληρωμή, γράφοντας τον Taylor και την ομάδα του, ήταν ότι οι ασθενείς «προχώρησαν» μέσω των πραγμάτων γρηγορότερα. “Υπήρξε μια παρατηρούμενη μείωση του χρόνου από την άφιξη στη ζώνη αρχικής φροντίδας”, έγραψαν. Υπήρξε επίσης μια αλλαγή στο πόσο γρήγορα οι άνθρωποι απελευθερώθηκαν από το ER, κατά μέσο όρο 82 λεπτά.
Η μεγαλύτερη αλλαγή είναι ότι εκείνοι που πέρασαν λιγότερο χρόνο στην κατηγορία υψηλής προσαρμογής πριν αποσταλούν σε εντατική βοήθεια, μείωση σε περισσότερες από δύο ώρες. “Οι πιο αξιοσημείωτες αλλαγές αντιμετωπίστηκαν από εκείνους που είναι κριτικά επώδυνες, ή εκείνοι που πληρούν τα κριτήρια των αποτελεσμάτων της επείγουσας χειρουργικής επέμβασης”, έγραψαν.
Η αποτελεσματικότητα δεν είναι το μόνο αποτέλεσμα
Ωστόσο, αυτό δεν είναι μόνο η αποτελεσματικότητα. Ο αριθμός των ασθενών που συνταγογραφήθηκαν σωστά για “εντατική θεραπεία” όταν χρησιμοποιούν CDS, πράγμα που σημαίνει ότι οι ασθενείς που τελικά κατέληξαν στο νοσοκομείο ή έγιναν δεκτοί στη μονάδα εντατικής θεραπείας προσδιορίστηκαν με μεγαλύτερη ακρίβεια κατά τη διάρκεια της διαλογής. Με τη βοήθεια του AI, οι νοσηλευτές έγιναν όλο και πιο “ευαίσθητες” σε περιπτώσεις που απαιτούσαν εντατική φροντίδα, όπως το έθεσε ο Taylor και η ομάδα του.
Επίσης: Το Google AI Co-Socentist είναι μια “κλιμάκωση του χρόνου δοκιμής” στα στεροειδή. Τι σημαίνει για την έρευνα
“Τα αποτελέσματα καταδεικνύουν μια αξιοσημείωτη αλλαγή στη διαδικασία ταξινόμησης”, έγραψαν ο Taylor και η ομάδα του: “Με βελτιωμένη ισοπέδωση διανομής, αυξημένη ακρίβεια στον εντοπισμό ασθενών με υψηλό και χαμηλό κίνδυνο χρησιμοποιώντας ακουστικές ακρίβεια AAA-SSISTE και αυξημένη ροή ασθενών”.
Πρόσθεσαν: “Η ταξινόμηση CDS AI συσχετίστηκε με τη βελτίωση της εκτέλεσης των νοσοκόμων ταξινόμησης με την έγκαιρη ταυτοποίηση ασθενών με κίνδυνο κρίσιμης νόσου. Αυτός είναι ένας σημαντικός πρωταρχικός στόχος της διαλογής του ED.
Και οι νοσηλευτές, οι οποίοι συχνά συμφώνησαν με τους συμπαγείς δίσκους, τελικά είχαν ακόμα καλύτερη ευαισθησία στην κρισιμότητα της ιατρικής περίθαλψης επείγουσας ιατρικής, χειρουργικής επέμβασης, μονάδων εντατικής θεραπείας κ.λπ.
Εδώ ο Taylor και η ομάδα του δεν μπορούν να είναι σίγουροι ότι ήταν ένα αυτοκίνητο που οδήγησε τη νοσοκόμα στις καλύτερες αποφάσεις. Αυτό θα μπορούσε να είναι οι καλύτερες νοσοκόμες. Πώς έγραψαν:
Η υποομάδα μιας νοσοκόμου με δείκτες υψηλής συγκατάθεσης συνήθως ξεπέρασε μόνο το AI. Αντίθετα, η υποομάδα μιας νοσοκόμας με δείκτες χαμηλής συγκατάθεσης, παντού ήταν χειρότερη από την AI μόνο. Παρόλο που τα συμπεράσματά μας δείχνουν ότι η υψηλότερη συγκατάθεση μπορεί να συσχετιστεί με τους καλύτερους δείκτες ταξινόμησης, είναι πιθανό ότι στην ομάδα των νοσοκόμων με υψηλό περιεχόμενο έχουν ένα μεγάλο κλινικό πρόσδεμα ανεξάρτητα από τα CD, γεγονός που τους επιτρέπει να διακρίνονται καλύτερα πότε να συμμορφώνονται με τις συστάσεις που βασίζονται στο AI.
Το συμπέρασμά τους έγκειται στο γεγονός ότι «η διατήρηση των ανθρώπινων αποφάσεων είναι ζωτικής σημασίας και αντιστοιχεί σε προηγούμενες μελέτες που υπογραμμίζουν το συνεργιστικό δυναμικό για την ενσωμάτωση του ΑΙ με ανθρώπινη κρίση».
Περιορισμοί
Η αβεβαιότητα σε σχέση με τον ρόλο της ατομικής διορατικότητας των νοσοκόμων δεν είναι ο μόνος περιορισμός της μελέτης. Επιπλέον, διαφορετικά ER μπορεί να έχουν εποχιακές τάσεις που είναι “παζλ”, παράγοντες που καθιστούν τα αποτελέσματα της μελέτης προβληματικά.
Ένας άλλος περιορισμός είναι ότι οι συμπαγείς δίσκοι βασίζονται σε ηλεκτρονικά ιατρικά αρχεία που έχουν τους δικούς τους περιορισμούς, όπως η έλλειψη ειδικότητας σε σχέση με τους ασθενείς.
Επίσης: 10 βασικοί λόγοι για τους οποίους το II έγινε το mainstream όλη τη νύχτα – και τι θα συμβεί στη συνέχεια
Ο βαθύτερος περιορισμός είναι ότι η μελέτη δεν ακολούθησε αυτό που συνέβη στους ασθενείς μετά από ER. Μήπως η καλύτερη ταξινόμηση στα καλύτερα αποτελέσματα του LED του ασθενούς; Αυτό δεν είναι σαφές, έγραψε ο Taylor και η ομάδα του.
“Η μελλοντική έρευνα θα πρέπει να εξετάσει αυτούς τους μακροπρόθεσμους παράγοντες προκειμένου να κατανοήσουν πλήρως τις συνέπειες της υποστήριξης της ΑΙ για τη λήψη κλινικών αποφάσεων σε καταστάσεις έκτακτης ανάγκης”, έγραψαν.
Ένα πολύ ενδιαφέρον συμπέρασμα – και αυτό είναι πιθανώς σχετικό για όλες τις εφαρμογές AI – έγκειται στο γεγονός ότι το AI πρέπει να ρυθμιστεί για μια συγκεκριμένη κατάσταση. Το πείραμα διεξήχθη σε τρεις ER σε μια συγκεκριμένη περιοχή των Ηνωμένων Πολιτειών και αυτό παίζει σαφώς ένα ρόλο στα αποτελέσματα.
Όπως έγραψαν ο Taylor και η ομάδα του:
Τα δεδομένα μας υποδεικνύουν ότι τα εργαλεία τεχνητής νοημοσύνης στον τομέα της υγειονομικής περίθαλψης μπορούν να αποκαλύψουν το πλήρες δυναμικό τους χρησιμοποιώντας στρατηγικές για την ανάπτυξη ειδικών για τον ιστότοπο. Αυτή η προσέγγιση σηματοδοτεί μια απόκλιση από μια επικρατούσα έμφαση σε μια ευρεία γενίκευση και σηματοδοτεί μια πιο λεπτή, συμφραζόμενη ευαίσθητη χρήση του AI στην υγειονομική περίθαλψη.
