نوشته شانیا کندی
بر اساس مطالعه‌ای که اخیراً منتشر شده است، محققان نشان داده‌اند که یک مدل هوش مصنوعی (AI) که برای تشخیص زوال بالینی طراحی شده است، با کاهش قابل‌توجه خطر تشدید مراقبت‌های بستری در بیمارستان مرتبط است. JAMA Internal Medicine.
وخامت بالینی محرک اصلی عوارض و مرگ و میر است، اما شناسایی علائم هشدار دهنده زودهنگام وخامت می‌تواند برای تیم‌های مراقبت چالش‌برانگیز باشد – که در حدود ۱۵ درصد از مرگ‌های قابل اجتناب در بیمارستان نقش دارد.
شناخت علائم زوال بالینی را می توان با استفاده از مداخلات بالینی مرتبط بهبود بخشید. تیم تحقیقاتی نشان داد که امتیازهای هشدار اولیه برای کمک به پرچم‌گذاری بیماران پرخطر ایجاد شده است، اما شواهد دال بر اثربخشی آنها محدود است.
برای پرداختن به این موضوع، محققان تصمیم گرفتند توانایی ابزار تشخیص زوال بالینی مبتنی بر هوش مصنوعی را برای کاهش خطر تشدید مراقبت در میان بزرگسالان بستری در بیمارستان ارزیابی کنند و استنتاج علّی بین این دو را بسنجند.
این تجزیه و تحلیل شامل داده‌های 9938 بیمار بستری در چهار بخش داخلی یک مرکز پزشکی دانشگاهی از 17 ژانویه 2021 تا 16 نوامبر 2022 بود. مداخله مبتنی بر هوش مصنوعی شامل هشدارهای مبتنی بر شاخص وخامت حماسه (EDI) و یک بالینی مرتبط بود. جریان کار.
تشدید مراقبت‌ها به‌عنوان فعال‌سازی تیم واکنش سریع، انتقال به بخش مراقبت‌های ویژه یا ایست قلبی ریوی در طول بستری مشخص شد.
به طور کلی، مداخله با کاهش خطر مطلق 10.4 درصد در تشدید مراقبت برای بیماران در آستانه امتیاز EDI همراه بود.
این یافته‌ها محققان را به این نتیجه رساند که اجرای یک مدل زوال بالینی مبتنی بر هوش مصنوعی می‌تواند به طور قابل‌توجهی خطر تشدید مراقبت‌های بستری را کاهش دهد. علاوه بر این، آنها نشان دادند که مطالعه آنها شواهدی را برای اثربخشی چنین مداخله ای ارائه می دهد و آزمایش مدل را در تنظیمات مراقبت اضافی ضروری می کند.
مطالعات دیگر همچنین پتانسیل مدل‌های زوال را برای بهبود مراقبت از بیماران بستری در بیمارستان برجسته کرده‌اند.
سال گذشته، محققان بیمارستان کودکان سراسر کشور دریافتند که یک مدل یادگیری ماشینی می‌تواند خطر وخامت بیماری کودکان را به دقت پیش‌بینی کند.
این ابزار از شاخص خطر زوال (DRI) برای پیش‌بینی خطر ابتلا به بیماری‌های قلبی، بدخیمی و وخامت کلی (نه قلبی و نه بدخیمی) مرتبط استفاده می‌کند.
این مدل هم دقیق‌تر و هم دقیق‌تر از ابزارهای موجود بود، به طور کلی 2.4 برابر حساسیت بیشتری را نشان داد و به ترتیب در گروه‌های بدخیمی و قلبی سه و چهار برابر حساسیت نشان داد، در حالی که به ازای هر رویداد شناسایی شده بیش از دو برابر هشدارهای کمتری نیاز داشت. .
پس از یک پروژه آزمایشی که این ابزار را در محیط بالینی به کار می برد، محققان به کاهش 77 درصدی وقایع زوال برای 18 ماه پس از اجرا در مقایسه با برنامه قبلی مبتنی بر آگاهی موقعیت اشاره کردند.