ДалееСледующее руководство
Прогнозирование риска падения с помощью ИИ в больницах
Отрасли
РУКОВОДСТВО ПО Отраслям
Для прогнозирования сепсиса с помощью искусственного интеллекта используются больничные данные, такие как показатели жизнедеятельности, результаты лабораторных исследований и записи о приеме лекарств, чтобы оценить, у каких пациентов скорее всего развивается сепсис, часто до того, как врачи распознали бы это в противном случае.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, потому что сепсис является основной причиной смертности в больницах, а задержки в лечении повышают риск, но плохо проверенные модели могут завалить персонал ложными тревогами и пропустить реальные случаи.
Сепсис – это нарушение регуляции реакции организма на инфекцию, приводящее к дисфункции органов. Поскольку раннее назначение антибиотиков и жидкости улучшает выживаемость, в больницах уже давно используются критерии скрининга, основанные на правилах, такие как критерии SIRS или qSOFA. Системы раннего предупреждения с использованием искусственного интеллекта идут еще дальше: они объединяют множество переменных, таких как частота сердечных сокращений, частота дыхания, температура, количество лейкоцитов, лактат, креатинин, лекарства и тенденции с течением времени, в единую оценку риска, которая обновляется по мере поступления новых данных в электронную медицинскую карту (ЭМК). Наиболее поучительным случаем является «Модель эпического сепсиса», запатентованный инструмент, используемый во многих больницах США. Внешняя проверка, проведенная в Michigan Medicine в 2021 году и опубликованная в журнале JAMA Internal Medicine, показала, что система работала существенно хуже, чем сообщал ее разработчик: она пропускала около двух третей случаев сепсиса и выдавала предупреждения примерно об одном из пяти госпитализированных пациентов, у большинства из которых не было сепсиса. Исследование стало отправной точкой для более широкого урока: модель, проверенная на данных ее разработчика, может не пригодиться в другой больнице, а сами по себе показатели точности мало что говорят о том, действительно ли предупреждение помогает. Более обнадеживающие данные были получены из системы TREWS Джона Хопкинса, где исследования, опубликованные в журнале Nature Medicine в 2022 году, показали лучшие результаты для пациентов, чьи предупреждения были оперативно подтверждены клиницистами. Эти исследования были наблюдательными, а не рандомизированными, поэтому до сих пор обсуждается, насколько сам инструмент вызвал улучшение. В 2024 году FDA одобрило Prenosis Sepsis ImmunoScore, один из первых инструментов искусственного интеллекта для лечения сепсиса, прошедший проверку FDA. Распространенным заблуждением является то, что модель сепсиса диагностирует сепсис. Это сигнализирует о риске; врачи все еще оценивают пациента. Во-вторых, большее количество предупреждений означает большую безопасность. Усталость от оповещений, когда персонал теряет чувствительность после частых ложных тревог, может привести к игнорированию реальных предупреждений. Успех зависит от выбора порога, от того, кто получит оповещение и какое действие ожидается после него.
Электронная медицинская карта медико-хирургического отделения пересчитывает показатель риска сепсиса по мере поступления новых данных и вызывает медсестру быстрого реагирования, когда учащенное сердцебиение пациента, падение артериального давления и повышение уровня лактата приводят к тому, что показатель превышает пороговый уровень.
Отделение неотложной помощи использует модель этапа сортировки на первом наборе жизненно важных показателей и лабораторных исследований, чтобы расставить приоритеты в посеве крови и антибиотиках для пациентов из группы высокого риска, которые все еще ждут койки.
Команда по обеспечению качества больницы запускает модель сепсиса поставщика в тихом режиме в течение трех месяцев, сравнивая ее потенциальные оповещения со случаями сепсиса, проверенными в диаграммах, прежде чем разрешить отправку оповещений в реальном времени.
Группа клинической информатики повышает порог оповещения и добавляет опцию «отложить по причине» после того, как медсестры сообщают о повторных оповещениях об одних и тех же стабильных пациентах, а затем отслеживает, выявляются ли по-прежнему реальные случаи.
Ожидайте большего внимания, а не меньшего. Системы здравоохранения все чаще проверяют модели на местном уровне перед их запуском в эксплуатацию, а регулирующие органы и профессиональные организации уделяют более пристальное внимание тому, как оцениваются и контролируются инструменты прогнозирования. Исследования движутся к моделям, которые показывают, какие сигналы влияют на оценку, объединяют структурированные данные с клиническими записями и тестируются проспективно или в рандомизированных планах, а не только ретроспективно. Для большинства больниц остаются практические вопросы, связанные с рабочим процессом: направление оповещений нужному человеку, ограничение дублирования уведомлений и измерение того, действительно ли оповещения сокращают время приема антибиотиков и улучшают результаты. Прогнозирование сепсиса, вероятно, останется наиболее полезным в качестве подсказки для оценки состояния человека, а не ее замены.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Для прогнозирования сепсиса с помощью искусственного интеллекта используются больничные данные, такие как показатели жизнедеятельности, результаты лабораторных исследований и записи о приеме лекарств, чтобы оценить, у каких пациентов скорее всего развивается сепсис, часто до того, как врачи распознали бы это в противном случае. Это важно, потому что сепсис является основной причиной смертности в больницах, а задержки в лечении повышают риск, но плохо проверенные модели могут завалить персонал ложными тревогами и пропустить реальные случаи.
Эти модели объединяют множество переменных в оценку риска. Они отмечают пациентов, у которых может развиться сепсис; врачи по-прежнему осматривают пациента и принимают решение о лечении.
Исследование показало, что модель пропустила большинство случаев сепсиса, одновременно предупреждая о многих пациентах, у которых сепсиса не было, показывая, что точность, заявленная разработчиком, может не быть перенесена в новую больницу.
Когда большинство предупреждений являются ложными или повторяются, врачи начинают их игнорировать или игнорировать, что может привести к тому, что настоящие предупреждения будут пропущены.
Это своего рода утечка информации: модель учитывает поведение врача, которое уже отражает подозрение на сепсис, поэтому в ретроспективе она выглядит точной, но добавляет мало новых предупреждений.
Наблюдательные исследования могут показать, что быстрое подтверждение предупреждений связано с лучшими результатами, но они не могут полностью исключить другие объяснения улучшения.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Прогнозирование риска падения с помощью ИИ в больницах
Отрасли