LegközelebbKövetkező útmutató
AI esési kockázat előrejelzése a kórházakban
Iparágak
Iparági ÚTMUTATÓ
A mesterséges intelligencia szepszis előrejelzése kórházi adatokat, például életjeleket, laboratóriumi eredményeket és gyógyszeres feljegyzéseket használ annak becslésére, hogy mely betegeknél alakul ki szepszis, gyakran még azelőtt, hogy a klinikusok egyébként felismernék.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Ez azért fontos, mert a szepszis a kórházi halálesetek vezető oka, és a kezelés késedelme növeli a kockázatot, de a rosszul validált modellek téves riasztásokkal áraszthatják el a személyzetet, és elmulaszthatják a valós eseteket.
A szepszis a szervezet szabályozatlan reakciója a fertőzésekre, ami szervi működési zavarokhoz vezet. Mivel a korai antibiotikumok és folyadékok javítják a túlélést, a kórházak régóta használnak olyan szabályokon alapuló szűréseket, mint a SIRS-kritériumok vagy a qSOFA. A mesterséges intelligencia korai figyelmeztető rendszerei tovább mennek: számos változót, például szívfrekvenciát, légzésszámot, hőmérsékletet, fehérvérsejtszámot, laktátot, kreatinint, gyógyszereket és az idő múlásával kapcsolatos trendeket egyesítenek egyetlen kockázati pontszámban, amely frissül, amint új adatok érkeznek az elektronikus egészségügyi nyilvántartásba (EHR). A legtanulságosabb eset az Epic Sepsis Model, egy szabadalmaztatott eszköz, amelyet számos amerikai kórházban alkalmaznak. A Michigan Medicine 2021-es, a JAMA Internal Medicine-ben közzétett külső validálása szerint lényegesen rosszabbul teljesített, mint a fejlesztője jelentett: a szepszises esetek körülbelül kétharmadát kihagyta, és nagyjából minden ötödik kórházi betegnél riasztást generált, akiknek többsége nem szenvedett szepszisben. A tanulmány egy tágabb lecke referenciapontja lett: a fejlesztői adatain érvényesített modell nem biztos, hogy egy másik kórházban megállja a helyét, és a pontossági mutatók önmagukban keveset mondanak arról, hogy egy riasztás valóban segít-e. Bátorítóbb bizonyítékok származtak Johns Hopkins TREWS rendszeréből, ahol a Nature Medicine-ben 2022-ben publikált tanulmányok jobb eredményekről számoltak be azoknál a betegeknél, akiknél a riasztást a klinikus azonnal megerősítette. Ezek a vizsgálatok inkább megfigyelésen alapultak, mint véletlenszerűen, így még mindig vita tárgyát képezi, hogy maga az eszköz mennyiben okozta a javulást. 2024-ben az FDA engedélyezte a Prenosis Sepsis ImmunoScore-t, amely az egyik első mesterséges intelligencia szepszis eszköz, amelyen átesett az FDA felülvizsgálata. Gyakori tévhit, hogy a szepszis modell szepszist diagnosztizál. Jelzi a kockázatot; a klinikusok továbbra is felmérik a beteget. A másik az, hogy több riasztás nagyobb biztonságot jelent. A riasztási fáradtság, amikor a személyzet gyakori téves riasztások után érzéketlenné válik, a valódi figyelmeztetések figyelmen kívül hagyását okozhatja. A siker attól függ, hogy milyen küszöbértéket választott, ki kapja a figyelmeztetést, és milyen lépések várhatók utána.
Az orvosi-sebészeti osztályok elektronikus egészségügyi nyilvántartása újraszámítja a szepszis kockázati pontszámát, amint új adatok érkeznek, és gyorsreagálású nővért küldenek, ha a beteg pulzusszámának emelkedése, csökkenő vérnyomása és emelkedő laktátszintje túllépi a pontszámot egy küszöbön.
A sürgősségi osztály egy triage-stage modellt futtat az első létfontosságú és laboratóriumi csoporton, hogy előnyben részesítse a vértenyésztést és az antibiotikumokat a magas kockázatú betegek számára, akik még mindig ágyra várnak.
Egy kórházi minőségügyi csapat három hónapig csendes üzemmódban futtatja a szállítói szepszis modellt, összehasonlítva a lehetséges riasztásokat a diagramon felülvizsgált szepszisesekkel, mielőtt engedélyezné az élő riasztások küldését.
Egy klinikai informatikai csoport megemeli a riasztási küszöböt, és hozzáad egy „okos szundi” opciót, miután az ápolónők ismétlődő riasztásokról számolnak be ugyanazokról a stabil betegekről, majd nyomon követi, hogy a valós eseteket továbbra is észlelték-e.
Inkább több vizsgálatra számítson, mint kevesebbre. Az egészségügyi rendszerek egyre inkább helyben validálják a modelleket, mielőtt azok életbe lépnének, és a szabályozó hatóságok és a szakmai testületek fokozott figyelmet fordítanak arra, hogyan értékelik és ellenőrzik a prediktív eszközöket. A kutatás olyan modellek felé halad, amelyek megmutatják, mely jelek eredményezték a pontszámot, kombinálják a strukturált adatokat a klinikai feljegyzésekkel, és prospektíven vagy randomizált tervekben tesztelik őket, nem csak retrospektív módon. A legtöbb kórház számára a gyakorlati kérdések továbbra is a munkafolyamattal kapcsolatosak: a riasztások megfelelő személyhez irányítása, a többszöri értesítések korlátozása és annak mérése, hogy a riasztások valóban lerövidítik-e az antibiotikumokhoz szükséges időt és javítják-e az eredményeket. A szepszis előrejelzése valószínűleg továbbra is a leghasznosabb az emberi értékeléshez, és nem helyettesíti azt.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A mesterséges intelligencia szepszis előrejelzése kórházi adatokat, például életjeleket, laboratóriumi eredményeket és gyógyszeres feljegyzéseket használ annak becslésére, hogy mely betegeknél alakul ki szepszis, gyakran még azelőtt, hogy a klinikusok egyébként felismernék. Ez azért fontos, mert a szepszis a kórházi halálesetek vezető oka, és a kezelés késedelme növeli a kockázatot, de a rosszul validált modellek téves riasztásokkal áraszthatják el a személyzetet, és elmulaszthatják a valós eseteket.
Ezek a modellek számos változót kombinálnak kockázati pontszámmá. Jelzik azokat a betegeket, akiknél esetleg szepszis alakul ki; a klinikusok továbbra is megvizsgálják a beteget és döntenek a kezelésről.
A tanulmány megállapította, hogy a modell a legtöbb szepszises esetet kihagyta, miközben sok olyan beteget figyelmeztetett, akiknél nem volt szepszis, ami azt mutatja, hogy a fejlesztők által jelentett pontosság nem biztos, hogy átvihető egy új kórházba.
Amikor a legtöbb riasztás hamis vagy ismétlődő, a klinikusok figyelmen kívül hagyják vagy elutasítják őket, ami a valódi figyelmeztetések elmaradását okozhatja.
Ez a szivárgás egyik formája: a modell felveszi a klinikusok viselkedését, amely már a szepszis gyanúját tükrözi, így utólag pontosnak tűnik, de kevés új figyelmeztetést ad hozzá.
A megfigyelési vizsgálatok kimutathatják, hogy a riasztások azonnali megerősítése jobb eredményekkel járt, de nem zárják ki teljes mértékben a javulás egyéb magyarázatait.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI esési kockázat előrejelzése a kórházakban
Iparágak