Širom Sjedinjenih Država, nijedna bolnica nije ista. Oprema, osoblje, tehničke mogućnosti i populacije pacijenata mogu se razlikovati. Dakle, iako se profili razvijeni za osobe sa uobičajenim tegobama mogu činiti univerzalnim, realnost je da postoje nijanse koje zahtevaju individualnu pažnju, kako u sastavu pacijenata koji se viđaju, tako iu situaciji u bolnicama koje pružaju njihovu negu.
Novo istraživanje pokazuje da veštačka inteligencija može poboljšati opštu negu tako što će pregledati podatke različitih bolnica kako bi se stvorile rafiniranije grupe pacijenata sličnih lokalnoj populaciji koju bolnice zapravo vide. AI može pomoći u određivanju tipičnih potreba za negom, kao što su to koja su specifična odeljenja i timovi za negu potrebni da bi se zadovoljile potrebe pacijenata.
Predvođen istraživačima sa Medicinskog fakulteta Perelman na Univerzitetu u Pensilvaniji, projekat — čiji su nalazi objavljeni u Cell Patterns — analizirao je elektronske zdravstvene kartone pacijenata koji su dugo bili oboleli od COVID-a, otkrivajući kolekciju od četiri podpopulacije pacijenata — poput onih sa astma ili stanja mentalnog zdravlja — i njihove specifične potrebe.
„Postojeće studije objedinjuju podatke iz više bolnica, ali ne uzimaju u obzir razlike u populaciji pacijenata, a to ograničava mogućnost primene nalaza na lokalno donošenje odluka“, rekao je dr Jong Čen, profesor biostatistike i stariji autor knjige studija. „Naš rad nudi korist od opštijeg znanja, sa preciznošću primene specifične za bolnicu.
Istraživački tim je koristio tehniku veštačke inteligencije mašinskog učenja pod nazivom „učenje latentnog transfera“, da bi ispitao deidentifikovane podatke o pacijentima koji su dugo bili oboleli od COVID-a koji su izvučeni iz osam različitih pedijatrijskih bolnica. Na taj način su uspeli da prozovu četiri podpopulacije pacijenata koji su imali već postojeće zdravstvene probleme. Ova četiri su uključivala:
Sa ovim identifikovanim podpopulacijama, sistem je takođe bio u mogućnosti da prati šta su pacijenti potrebni za negu širom bolnice, ukazujući na ažurirane profile koji bi omogućili bolnicama da bolje odgovore na povećanje različitih tipova pacijenata.
„Bez identifikacije ovih različitih subpopulacija, kliničari i bolnice bi verovatno obezbedili jedinstven pristup za praćenje i lečenje“, rekao je vodeći autor studije, Kiong Vu, dr, bivši postdoktorant istraživač u Chenovoj laboratoriji koji je sada docent biostatistike na Školi javnog zdravlja Univerziteta u Pitsburgu.
„Iako bi ovaj jedinstveni pristup mogao da funkcioniše za neke pacijente, može biti nedovoljan za podgrupe sa visokim rizikom koje zahtevaju specijalizovaniju negu. Na primer, naša studija je otkrila da pacijenti sa složenim hroničnim stanjima doživljavaju najznačajnije povećanje bolničkih i hitnih poseta.“
Sistem učenja latentnog transfera direktno je izvukao efekte koje su ove populacije imale na bolnice, ukazujući na to gde tačno treba raspodeliti resurse.
Da je sistem mašinskog učenja bio na snazi oko marta 2020., Vu veruje da bi mogao da pruži neki ključni uvid za ublažavanje nekih efekata pandemije, uključujući fokusiranje resursa i brige na grupe kojima je najverovatnije potrebna.
„Ovo bi omogućilo svakoj bolnici da bolje predvidi potrebe za krevetima za intenzivnu negu, respiratorima ili specijalizovanim osobljem – pomažući da se uravnoteže resursi između nege COVID-19 i drugih osnovnih usluga“, rekao je Vu. „Štaviše, u ranim fazama pandemije, zajedničko učenje u bolnicama bi bilo posebno vredno, rešavajući probleme oskudice podataka uz prilagođavanje uvida jedinstvenim potrebama svake bolnice.
Gledajući prošle krize kao što je pandemija COVID-19 i njene posledice, sistem veštačke inteligencije koji su razvili Vu, Čen i njihov tim mogao bi da pomogne bolnicama da upravljaju mnogo češćim uslovima.
„Hronična stanja poput dijabetesa, srčanih bolesti i astme često pokazuju značajne varijacije u bolnicama zbog razlika u raspoloživim resursima, demografiji pacijenata i regionalnim zdravstvenim opterećenjima“, rekao je Vu.
Istraživači veruju da bi sistem koji su razvili mogao da se primeni u mnogim bolnicama i zdravstvenim sistemima, zahtevajući samo „relativno jasnu“ infrastrukturu za deljenje podataka, kaže Vu. Čak i bolnice koje nisu u stanju da aktivno uključe mašinsko učenje mogle bi imati koristi od deljenih informacija.
„Koristeći zajedničke nalaze iz umreženih bolnica, omogućilo bi im da steknu vredne uvide“, rekao je Vu.
