Ακριβής πρόβλεψη της ανάγκης για ειδική φροντίδα μετά την έξοδο από το νοσοκομείο
Μια καινοτόμος μελέτη που διεξήχθη από ερευνητές του NYU Langone Health έδειξε ότι ένα εργαλείο τεχνητής νοημοσύνης (AI) μπορεί να προβλέψει με ακρίβεια ποιοι ασθενείς θα χρειαστούν ειδική φροντίδα μετά την έξοδο τους από το νοσοκομείο. Αυτή η ανακάλυψη, που δημοσιεύθηκε πρόσφατα στο περιοδικό npj Health Systems, αναδεικνύει τη σημασία της έγκαιρης αναγνώρισης αυτών των ασθενών, προκειμένου τα νοσοκομεία να προγραμματίσουν νωρίτερα την περίπλοκη φροντίδα τους.
Η σημασία της έγκαιρης πρόβλεψης
Όπως εξηγούν οι συγγραφείς της μελέτης, η γρήγορη αναγνώριση των ασθενών που χρειάζονται ειδική φροντίδα μπορεί να αποτρέψει αγχωτικές καταστάσεις, όπου οι ασθενείς είναι έτοιμοι να αποχωρήσουν από το νοσοκομείο αλλά δεν έχουν ασφαλές μέρος να πάνε. Η μελέτη αποκάλυψε ότι το μοντέλο που χρησιμοποιεί σύντομες, AI-δημιουργημένες περιλήψεις σημειώσεων γιατρών ήταν πιο ακριβές σε σύγκριση με τα παραδοσιακά μοντέλα που βασίζονται σε εκτενή ιατρικά σημειώματα.
Η διαδικασία του AI
Η ερευνητική ομάδα ανέπτυξε μια διαδικασία δύο σταδίων. Αρχικά, ένα εργαλείο AI διαβάζει τις εκτενείς σημειώσεις εισαγωγής και εξάγει πληροφορίες σχετικές με επτά παράγοντες κινδύνου, όπως η κατάσταση διαβίωσης του ασθενούς και η ικανότητά του να εκτελεί καθημερινές δραστηριότητες. Στη συνέχεια, ένα δεύτερο AI μοντέλο προβλέπει με 88% ακρίβεια την ανάγκη για ειδική φροντίδα κατά την έξοδο από το νοσοκομείο.
Ο Δρ. Yindalon Aphinyanaphongs, ανώτερος συγγραφέας της μελέτης και διευθυντής της λειτουργικής επιστήμης δεδομένων και μηχανικής μάθησης στο NYU Langone, δήλωσε ότι η προσέγγιση αυτή λειτουργεί σαν ένας γρήγορος και προσεκτικός αναγνώστης, μετατρέποντας ένα πολύπλοκο ιατρικό σημείωμα σε μια απλή περίληψη που είναι χρήσιμη για τον προγραμματισμό της εξόδου.
Αξιολόγηση και επόμενα βήματα
Η μελέτη επικεντρώθηκε σε 4,000 ασθενείς που εισήχθησαν σε υπηρεσίες γενικής ιατρικής στο NYU Langone. Οι ερευνητές ανέλυσαν τις ηλεκτρονικές ιατρικές σημειώσεις, εστιάζοντας στις σημειώσεις «ιστορίας και φυσικής εξέτασης», οι οποίες περιέχουν δεδομένα για την υγεία και την κοινωνική κατάσταση των ασθενών. Σημαντικό είναι ότι τα μοντέλα AI που χρησιμοποίησαν τις περιλήψεις, οι οποίες ήταν 94% πιο σύντομες από τις αρχικές σημειώσεις, παρουσίασαν καλύτερες επιδόσεις στην πρόβλεψη του προορισμού εξόδου των ασθενών.
Για να διασφαλίσουν την αξιοπιστία των αποτελεσμάτων του AI, οι ερευνητές συνεργάστηκαν με ανθρώπινους ειδικούς. Όταν οι νοσηλευτές αξιολόγησαν τις AI-δημιουργημένες περιλήψεις χωρίς να γνωρίζουν την πρόβλεψη του μοντέλου, οι εκτιμήσεις τους συμφώνησαν σε μεγάλο βαθμό με τις βαθμολογίες κινδύνου του AI. Μάλιστα, μια υψηλή βαθμολογία κινδύνου από το μοντέλο αύξανε 13.5 φορές την πιθανότητα να επισημάνουν οι νοσηλευτές ότι ο ασθενής χρειάζεται ειδική φροντίδα.
Ο Δρ. William R. Small, πρώτος συγγραφέας της μελέτης, τόνισε ότι το επόμενο βήμα είναι να δοκιμάσουν αυτό το μοντέλο σε πραγματικές κλινικές συνθήκες, προκειμένου να διαπιστώσουν αν θα βοηθήσει τις ομάδες φροντίδας να προγραμματίσουν τις εξόδους πιο αποτελεσματικά. Παράλληλα, θα παρακολουθούν το σύστημα για να διασφαλίσουν ότι είναι δίκαιο και ασφαλές, συνεισφέροντας στη βελτίωση της φροντίδας των ασθενών.
