Primena i procena intervencije mašinskog učenja radi poboljšanja kliničke nege i ishoda pacijenata je ključni korak u premeštanju modela kliničkog pogoršanja od bajta do kreveta, navodi se u uvodniku od 13. juna u Critical Care Medicine koji komentariše studiju Mount Sinai objavljenu u istom broju.
Glavna studija je otkrila da je 43% veća verovatnoća da će hospitalizovani pacijenti imati povećanu njegu i znatno manje šanse da će umreti ako njihov tim za negu dobije upozorenja generisana veštačkom inteligencijom koja signaliziraju negativne promene u njihovom zdravlju.
„Želeli smo da vidimo da li brza upozorenja napravljena od strane veštačke inteligencije i mašinskog učenja, obučena na mnogo različitih tipova podataka o pacijentima, mogu pomoći da se smanji koliko često pacijentima treba intenzivna nega i njihove šanse da umru u bolnici“, kaže glavni autor studije Metju A. Levin, MD, profesor anesteziologije, perioperativne medicine i medicine i genetike i genomskih nauka, u Icahn Mount Sinai, i direktor kliničkih podataka u bolnici Mount Sinai.
„Tradicionalno smo se oslanjali na starije ručne metode kao što je modifikovani rezultat ranog upozorenja (MEVS) da bismo predvideli kliničko pogoršanje. Međutim, naša studija pokazuje rezultate automatizovanog algoritma mašinskog učenja koji pokreću procenu od strane dobavljača mogu nadmašiti ove ranije metode u preciznom predviđanju ovog što je važno, omogućava raniju intervenciju, koja bi mogla spasiti više života.
Nerandomizovana, prospektivna studija je posmatrala 2.740 odraslih pacijenata koji su primljeni u četiri medicinsko-hirurške jedinice u bolnici Mount Sinai u Njujorku. Pacijenti su podeljeni u dve grupe: jednu koja je dobijala upozorenja u realnom vremenu na osnovu predviđene verovatnoće pogoršanja, poslata direktno njihovim medicinskim sestrama i lekarima ili „timu za brzo reagovanje” lekara intenzivne nege, i drugu grupu u kojoj su upozorenja kreirana, ali nije poslata. U jedinicama u kojima su upozorenja potisnuta, pacijenti koji su ispunjavali standardne kriterijume pogoršanja dobijali su hitne intervencije tima za brzo reagovanje.
Dodatni nalazi u interventnoj grupi su pokazali da je veća verovatnoća da će pacijenti dobijati lekove za podršku srcu i cirkulaciji, što ukazuje na to da lekari preduzimaju ranu akciju; i manja je verovatnoća da će umreti u roku od 30 dana.
„Naše istraživanje pokazuje da upozorenja u realnom vremenu pomoću mašinskog učenja mogu značajno da poboljšaju ishode pacijenata“, kaže stariji autor studije David L. Reich, MD, predsednik bolnice Mount Sinai i Mount Sinai Kueens, Horace V. Goldsmith, profesor anesteziologije, i profesor veštačke inteligencije i zdravlja ljudi na Ikan planini Sinaj.
„Ovi modeli su precizna i pravovremena pomoć pri donošenju kliničkih odluka koja nam pomaže da dovedemo pravi tim do pravog pacijenta u pravo vreme. Smatramo ih alatima ‘povećane inteligencije’ koji ubrzavaju lične kliničke procene naših lekara i medicinske sestre i podstaknu tretmane koji naše pacijente čine bezbednijim. Ovo su ključni koraci ka cilju da postanemo zdravstveni sistem koji uči.“
Studija je rano prekinuta zbog pandemije COVID-19. Algoritam je primenjen na svim odstupnim jedinicama u bolnici Mount Sinai, koristeći pojednostavljeni tok posla. Jedinica za povlačenje je specijalizovana oblast u bolnici gde se smeštaju pacijenti koji su stabilni, ali i dalje zahtevaju pažljivo praćenje i negu. To je korak između jedinice intenzivne nege (ICU) i opšte bolnice, osiguravajući da pacijenti dobiju odgovarajući nivo pažnje dok se oporavljaju.
Tim lekara intenzivne nege svakodnevno posećuje 15 pacijenata sa najvišim rezultatima predviđanja i daje preporuke za lečenje lekarima i medicinskim sestrama koje brinu o pacijentu. Kako se algoritam kontinuirano usavršava na većem broju pacijenata tokom vremena, procene lekara intenzivne nege služe kao zlatni standard ispravnosti, a algoritam postaje tačniji kroz učenje sa pojačanjem.
Pored ovog algoritma za kliničko pogoršanje, istraživači su razvili i primenili 15 dodatnih alata za podršku kliničkih odluka zasnovanih na veštačkoj inteligenciji u celom zdravstvenom sistemu Mount Sinai.
