Jungtinėse Amerikos Valstijose nė viena ligoninė nėra tokia pati. Įranga, personalas, techninės galimybės ir pacientų populiacija gali skirtis. Taigi, nors profiliai, sukurti žmonėms su bendromis ligomis, gali atrodyti universalūs, realybė yra tokia, kad yra niuansų, kuriems reikia individualaus dėmesio – tiek stebimų pacientų sudėties, tiek juos slaugančių ligoninių situacijose.
Nauji tyrimai rodo, kad dirbtinis intelektas gali pagerinti bendrą priežiūrą, nagrinėdamas skirtingų ligoninių duomenis, kad sukurtų tobulesnes pacientų grupes, panašias į vietos gyventojus, kuriuos iš tikrųjų mato ligoninės. AI gali padėti tiksliai nustatyti tipinius priežiūros poreikius, pvz., kokie konkretūs skyriai ir priežiūros komandos turi patenkinti pacientų poreikius.
Pensilvanijos universiteto Perelmano medicinos mokyklos tyrėjų vadovaujamas projektas, kurio išvados buvo paskelbtos žurnale Cell Patterns, išanalizavo ilgai COVID sergančių pacientų elektroninius sveikatos įrašus ir atskleidė keturių pacientų pogrupių rinkinį, pvz., sergančius. astma ar psichinės sveikatos būklės ir jų specifiniai poreikiai.
„Esamuose tyrimuose kaupiami kelių ligoninių duomenys, tačiau neatsižvelgiama į pacientų populiacijų skirtumus, o tai riboja galimybę pritaikyti išvadas priimant vietos sprendimus“, – sakė biostatistikos profesorius ir vyresnysis autorius Yong Chen. studija. „Mūsų darbas suteikia daugiau apibendrintų žinių, tiksliai pritaikytų ligoninėms.
Tyrimo grupė naudojo mašininio mokymosi dirbtinio intelekto techniką, vadinamą „latentiniu perdavimo mokymusi“, kad ištirtų atpažintus duomenis apie ilgai sergančius COVID pacientus, paimtus iš aštuonių skirtingų vaikų ligoninių. Taip jie galėjo iškviesti keturias pacientų, kurie jau turėjo sveikatos sutrikimų, pogrupius. Šie keturi apėmė:
- Psichinės sveikatos būklės, įskaitant nerimą, depresiją, neurologinio vystymosi sutrikimus ir dėmesio stokos hiperaktyvumo sutrikimą
- Atopinės/alerginės lėtinės ligos, tokios kaip astma ar alergijos
- Nesudėtingos lėtinės ligos, pvz., regėjimo sutrikimai ar nemiga
- Sudėtingos lėtinės ligos, įskaitant turinčias širdies ar nervų ir raumenų sutrikimų
Nustačius šias subpopuliacijas, sistema taip pat galėjo sekti, kokios priežiūros reikia pacientams visoje ligoninėje, nukreipdama į atnaujintus profilius, kurie leistų ligoninėms geriau spręsti įvairių tipų pacientų skaičiaus padidėjimą.
„Nenustačius šių skirtingų subpopuliacijų, gydytojai ir ligoninės greičiausiai pasiūlys visiems tinkantį požiūrį į tolesnę priežiūrą ir gydymą“, – sakė tyrimo pagrindinis autorius, buvęs doktorantūros mokslų daktaras Qiong Wu. Cheno laboratorijos mokslininkas, kuris dabar yra Pitsburgo universiteto visuomenės sveikatos mokyklos biostatistikos docentas.
„Nors šis vieningas požiūris gali būti naudingas kai kuriems pacientams, jo gali nepakakti didelės rizikos pogrupiams, kuriems reikalinga labiau specializuota priežiūra. Pavyzdžiui, mūsų tyrimas parodė, kad pacientams, sergantiems sudėtingomis lėtinėmis ligomis, labiausiai padaugėja stacionarinių ir skubių apsilankymų.”
Paslėpta perkėlimo mokymosi sistema tiesiogiai pašalino šių gyventojų poveikį ligoninėms, tiksliai nurodydama, kur turėtų būti skiriami ištekliai.
Jei mašininio mokymosi sistema būtų įdiegta maždaug 2020 m. kovo mėn., Wu mano, kad ji galėjo suteikti esminės įžvalgos, kaip sušvelninti kai kuriuos pandemijos padarinius, įskaitant išteklių ir priežiūros sutelkimą į grupes, kurioms greičiausiai to reikia.
„Tai leistų kiekvienai ligoninei geriau numatyti ICU lovų, ventiliatorių ar specializuoto personalo poreikius – tai padėtų subalansuoti išteklius tarp COVID-19 priežiūros ir kitų esminių paslaugų“, – sakė Wu. „Be to, ankstyvosiose pandemijos stadijose mokymas bendradarbiaujant visose ligoninėse būtų buvęs ypač vertingas, sprendžiant duomenų trūkumo problemas ir pritaikant įžvalgas pagal kiekvienos ligoninės unikalius poreikius.
Žvelgiant į praeities krizes, tokias kaip COVID-19 pandemija ir jos pasekmės, Wu, Chen ir jų komandos sukurta AI sistema galėtų padėti ligoninėms valdyti daug dažniau pasitaikančias sąlygas.
„Lėtinės ligos, tokios kaip diabetas, širdies ligos ir astma, dažnai skiriasi įvairiose ligoninėse dėl turimų išteklių, pacientų demografijos ir regioninės sveikatos naštos skirtumų“, – sakė Wu.
Pasak Wu, mokslininkai mano, kad jų sukurta sistema galėtų būti įdiegta daugelyje ligoninių ir sveikatos sistemų, o tam reikia tik „palyginti paprastos“ dalijimosi duomenimis infrastruktūros. Net ligoninės, kurios negali aktyviai įtraukti mašininio mokymosi, galėtų būti naudingos dalijantis informacija.
„Pasinaudojus bendromis išvadomis iš tinklinių ligoninių, tai leistų joms įgyti vertingų įžvalgų“, – sakė Wu.