NastępnyNastępny poradnik
Przewidywanie ryzyka upadku AI w szpitalach
Przemysły
PRZEWODNIK branżowy
AI w przewidywaniu sepsy
Sztuczna inteligencja do przewidywania sepsy wykorzystuje dane szpitalne, takie jak parametry życiowe, wyniki badań laboratoryjnych i dokumentacja dotycząca leków, aby oszacować, u których pacjentów prawdopodobnie rozwinie się sepsa, często zanim klinicyści mogliby ją rozpoznać.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min
Na tej stronie4 minuty czytania
Przegląd
Ma to znaczenie, ponieważ sepsa jest główną przyczyną zgonów w szpitalach, a opóźnienia w leczeniu zwiększają ryzyko, ale źle zweryfikowane modele mogą zasypywać personel fałszywymi alarmami i pomijać rzeczywiste przypadki.
Głębokie nurkowanie
Sepsa to rozregulowana reakcja organizmu na infekcję, prowadząca do dysfunkcji narządów. Ponieważ wczesne podanie antybiotyków i płynów poprawia przeżycie, szpitale od dawna stosują badania przesiewowe oparte na zasadach, takie jak kryteria SIRS lub qSOFA. Systemy wczesnego ostrzegania AI idą dalej: łączą wiele zmiennych, takich jak częstość akcji serca, częstość oddechów, temperatura, liczba białych krwinek, mleczan, kreatynina, leki i trendy w czasie, w jedną ocenę ryzyka, która jest aktualizowana w miarę pojawiania się nowych danych w elektronicznej karcie zdrowia (EHR). Najbardziej pouczającym przypadkiem jest Epic Sepsis Model, zastrzeżone narzędzie wdrożone w wielu amerykańskich szpitalach. Zewnętrzna walidacja przeprowadzona w Michigan Medicine w 2021 r., opublikowana w JAMA Internal Medicine, wykazała, że działa on znacznie gorzej, niż raportował jego twórca: pomijał około dwóch trzecich przypadków sepsy i generował powiadomienia w przypadku mniej więcej jednego na pięciu hospitalizowanych pacjentów, z których większość nie miała sepsy. Badanie stało się punktem odniesienia dla szerszej lekcji: model zweryfikowany na podstawie danych jego twórcy może nie sprawdzić się w innym szpitalu, a same wskaźniki dokładności niewiele mówią o tym, czy alert faktycznie pomaga. Bardziej zachęcające dowody pochodzą z systemu TREWS firmy Johns Hopkins, w którym badania opublikowane w 2022 r. w Nature Medicine wykazały lepsze wyniki u pacjentów, których ostrzeżenia zostały szybko potwierdzone przez klinicystę. Badania te miały charakter obserwacyjny, a nie randomizowany, więc nadal dyskutuje się, w jakim stopniu samo narzędzie spowodowało poprawę. W 2024 r. FDA zatwierdziła Prenosis Sepsis ImmunoScore, jedno z pierwszych narzędzi AI do leczenia sepsy, które przeszło ocenę FDA. Powszechnym błędnym przekonaniem jest to, że model sepsy diagnozuje sepsę. Oznacza ryzyko; lekarze nadal oceniają pacjenta. Innym jest to, że więcej alertów oznacza większe bezpieczeństwo. Zmęczenie alarmami, czyli znieczulenie personelu po częstych fałszywych alarmach, może spowodować ignorowanie prawdziwych ostrzeżeń. Sukces zależy od wyboru progu, tego, kto otrzyma alert i jakiego działania oczekuje się później.
Implementacja w świecie rzeczywistym
Elektroniczna karta zdrowia oddziału medyczno-chirurgicznego ponownie oblicza ryzyko sepsy w miarę napływania nowych danych i wzywa pielęgniarkę szybkiego reagowania, gdy rosnące tętno pacjenta, spadające ciśnienie krwi i rosnący poziom mleczanu powodują, że wynik przekracza próg.
Oddział ratunkowy stosuje model etapu segregacji pierwszego zestawu parametrów życiowych i laboratoriów, aby ustalić priorytet posiewów krwi i antybiotyków u pacjentów wysokiego ryzyka, którzy wciąż czekają na łóżko.
Szpitalny zespół ds. jakości uruchamia model sepsy dostawcy w trybie cichym przez trzy miesiące, porównując potencjalne alerty z przypadkami sepsy sprawdzonymi na wykresach, zanim umożliwi wysyłanie alertów na żywo.
Grupa zajmująca się informatyką kliniczną podnosi próg alarmowy i dodaje opcję „drzemki z uzasadnionym skutkiem” po tym, jak pielęgniarki zgłaszają powtarzające się alerty dotyczące tych samych stabilnych pacjentów, a następnie sprawdza, czy nadal wychwytywane są prawdziwe przypadki.
Przyszłość sztucznej inteligencji w przewidywaniu sepsy
Oczekuj większej kontroli, a nie mniejszej. Systemy opieki zdrowotnej w coraz większym stopniu weryfikują modele lokalnie przed ich uruchomieniem, a organy regulacyjne i organizacje zawodowe zwracają większą uwagę na sposób oceny i monitorowania narzędzi predykcyjnych. Badania zmierzają w kierunku modeli, które pokazują, które sygnały wpłynęły na wynik, łączą ustrukturyzowane dane z notatkami klinicznymi i są testowane prospektywnie lub w randomizowanych projektach, a nie tylko retrospektywnie. W przypadku większości szpitali pozostaną praktyczne pytania dotyczące przepływu pracy: kierowania alertów do właściwej osoby, ograniczania podwójnych powiadomień i mierzenia, czy alerty faktycznie skracają czas podawania antybiotyków i poprawiają wyniki. Przewidywanie sepsy prawdopodobnie pozostanie najbardziej przydatne jako zachęta do oceny u ludzi, a nie jej zamiennik.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Kontekst i zasady. Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
- Kontrola jakości. Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
- Buduj wybory. Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Uważaj na
- Wymogi prawne mogą unieważnić mocne prototypy.
- Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
- Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Kolejne kroki
- Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
- Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
- Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
- Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the AI in Sepsis Prediction quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
Czym jest sztuczna inteligencja w przewidywaniu sepsy?
Sztuczna inteligencja do przewidywania sepsy wykorzystuje dane szpitalne, takie jak parametry życiowe, wyniki badań laboratoryjnych i dokumentacja dotycząca leków, aby oszacować, u których pacjentów prawdopodobnie rozwinie się sepsa, często zanim klinicyści mogliby ją rozpoznać. Ma to znaczenie, ponieważ sepsa jest główną przyczyną zgonów w szpitalach, a opóźnienia w leczeniu zwiększają ryzyko, ale źle zweryfikowane modele mogą zasypywać personel fałszywymi alarmami i pomijać rzeczywiste przypadki.
Co przede wszystkim daje model wczesnego ostrzegania przed sepsą AI?
Modele te łączą wiele zmiennych w ocenę ryzyka. Oznaczają pacjentów, u których może rozwinąć się sepsa; lekarze nadal badają pacjenta i podejmują decyzję o leczeniu.
Co wykazała zewnętrzna walidacja modelu Epic Sepsa przeprowadzona w 2021 r. przez Michigan Medicine?
Badanie wykazało, że model pominął większość przypadków sepsy, jednocześnie ostrzegając wielu pacjentów, którzy nie cierpieli na sepsę, co pokazało, że dokładność zgłoszona przez dewelopera może nie przenieść się do nowego szpitala.
Co to jest zmęczenie czujne?
Kiedy większość ostrzeżeń jest fałszywych lub się powtarza, lekarze zaczynają je ignorować lub odrzucać, co może spowodować przeoczenie prawdziwych ostrzeżeń.
Dlaczego określenie początku sepsy na podstawie zlecenia antybiotyków lub posiewu krwi może powodować problemy dla modelki?
Jest to forma przecieku: model wychwytuje zachowania klinicystów, które już odzwierciedlają podejrzenie sepsy, więc z perspektywy czasu wygląda na trafny, ale nie dodaje zbyt wielu nowych ostrzeżeń.
Dlaczego dowody z badań TREWS są wciąż przedmiotem dyskusji?
Badania obserwacyjne mogą wykazać, że szybkie potwierdzenie alertów wiązało się z lepszymi wynikami, ale nie mogą całkowicie wykluczyć innych wyjaśnień poprawy.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat