ต่อไปคำแนะนำต่อไป
การทำนายความเสี่ยงจากการล้มของ AI ในโรงพยาบาล
อุตสาหกรรม
คู่มืออุตสาหกรรม
การทำนายภาวะติดเชื้อจากการติดเชื้อ AI ใช้ข้อมูลของโรงพยาบาล เช่น สัญญาณชีพ ผลการตรวจทางห้องปฏิบัติการ และบันทึกการใช้ยา เพื่อประเมินว่าผู้ป่วยรายใดมีแนวโน้มที่จะเป็นโรคติดเชื้อ บ่อยครั้งก่อนที่แพทย์จะรับรู้ได้
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
เป็นเรื่องสำคัญเนื่องจากภาวะติดเชื้อเป็นสาเหตุสำคัญของการเสียชีวิตในโรงพยาบาล และความล่าช้าในการรักษาเพิ่มความเสี่ยง แต่แบบจำลองที่ได้รับการตรวจสอบไม่ดีอาจทำให้เจ้าหน้าที่ได้รับการแจ้งเตือนที่ผิดพลาดและพลาดกรณีที่เกิดขึ้นจริง
ภาวะติดเชื้อในกระแสเลือดคือการตอบสนองของร่างกายต่อการติดเชื้ออย่างผิดปกติ ซึ่งนำไปสู่ความผิดปกติของอวัยวะ เนื่องจากยาปฏิชีวนะและของเหลวในระยะเริ่มแรกช่วยเพิ่มอัตราการรอดชีวิต โรงพยาบาลจึงใช้การคัดกรองตามกฎ เช่น เกณฑ์ SIRS หรือ qSOFA มานานแล้ว ระบบเตือนภัยล่วงหน้าของ AI ก้าวไปอีกขั้น: โดยรวมตัวแปรหลายอย่าง เช่น อัตราการเต้นของหัวใจ อัตราการหายใจ อุณหภูมิ จำนวนเม็ดเลือดขาว แลคเตต ครีเอตินีน ยาและแนวโน้มในช่วงเวลาต่างๆ มาเป็นคะแนนความเสี่ยงเดียวที่อัปเดตเมื่อมีข้อมูลใหม่มาถึงบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) กรณีที่ให้ความรู้มากที่สุดคือ Epic Sepsis Model ซึ่งเป็นเครื่องมือที่เป็นกรรมสิทธิ์ซึ่งนำไปใช้ในโรงพยาบาลหลายแห่งในสหรัฐฯ การตรวจสอบภายนอกในปี 2021 ที่ Michigan Medicine ซึ่งตีพิมพ์ใน JAMA Internal Medicine พบว่ามีประสิทธิภาพแย่กว่าที่นักพัฒนารายงานไว้อย่างมาก โดยพลาดกรณีติดเชื้อประมาณสองในสาม และสร้างการแจ้งเตือนเกี่ยวกับผู้ป่วยในโรงพยาบาลประมาณหนึ่งในห้า ซึ่งส่วนใหญ่ไม่มีภาวะติดเชื้อ การศึกษานี้กลายเป็นจุดอ้างอิงสำหรับบทเรียนที่กว้างขึ้น: โมเดลที่ได้รับการตรวจสอบจากข้อมูลของนักพัฒนาอาจไม่สามารถรองรับโรงพยาบาลอื่นได้ และตัวชี้วัดความแม่นยำเพียงอย่างเดียวก็บอกเพียงเล็กน้อยว่าการแจ้งเตือนช่วยได้จริงหรือไม่ หลักฐานที่ให้กำลังใจเพิ่มเติมมาจากระบบ TREWS ของ Johns Hopkins ซึ่งการศึกษาที่ตีพิมพ์ใน Nature Medicine ในปี 2022 รายงานผลลัพธ์ที่ดีกว่าสำหรับผู้ป่วยที่มีการแจ้งเตือนทันทีโดยแพทย์ การศึกษาเหล่านั้นเป็นการสังเกตมากกว่าการสุ่ม ดังนั้น จำนวนเงินที่เครื่องมือทำให้เกิดการปรับปรุงนั้นยังคงเป็นที่ถกเถียงกันอยู่ ในปี 2024 FDA อนุมัติ Prenosis Sepsis ImmunoScore ซึ่งเป็นหนึ่งในเครื่องมือ AI สำหรับการติดเชื้อในกระแสเลือดตัวแรกๆ ที่ผ่านการตรวจสอบของ FDA ความเข้าใจผิดที่พบบ่อยคือแบบจำลองการติดเชื้อในกระแสเลือดจะวินิจฉัยภาวะติดเชื้อในกระแสเลือด มันบ่งบอกถึงความเสี่ยง แพทย์ยังคงประเมินผู้ป่วย อีกประการหนึ่งคือการแจ้งเตือนที่มากขึ้นหมายถึงความปลอดภัยที่มากขึ้น การแจ้งเตือนเมื่อยล้า ซึ่งพนักงานหมดความรู้สึกหลังจากการแจ้งเตือนที่ผิดพลาดบ่อยครั้ง อาจทำให้การเพิกเฉยต่อคำเตือนที่แท้จริงได้ ความสำเร็จขึ้นอยู่กับการเลือกเกณฑ์ ผู้ที่ได้รับการแจ้งเตือน และการดำเนินการที่คาดหวังในภายหลัง
บันทึกสุขภาพอิเล็กทรอนิกส์ของแผนกศัลยกรรมและการแพทย์จะคำนวณคะแนนความเสี่ยงต่อการติดเชื้อเมื่อมีข้อมูลใหม่เข้ามา และติดตามพยาบาลที่ตอบสนองอย่างรวดเร็วเมื่อผู้ป่วยมีอัตราการเต้นของหัวใจเพิ่มขึ้น ความดันโลหิตลดลง และค่าแลคเตทที่เพิ่มขึ้นส่งผลให้คะแนนเกินเกณฑ์
แผนกฉุกเฉินดำเนินการแบบจำลองระยะไตรเอจกับหน่วยสำคัญและห้องปฏิบัติการชุดแรก เพื่อจัดลำดับความสำคัญของการเพาะเชื้อในเลือดและยาปฏิชีวนะสำหรับผู้ป่วยที่มีความเสี่ยงสูงซึ่งยังคงรอเตียงอยู่
ทีมงานคุณภาพของโรงพยาบาลดำเนินการแบบจำลองภาวะติดเชื้อของผู้ขายในโหมดเงียบเป็นเวลาสามเดือน โดยเปรียบเทียบการแจ้งเตือนที่จะเกิดขึ้นกับกรณีภาวะติดเชื้อในกระแสเลือดที่ได้รับการตรวจสอบจากแผนภูมิ ก่อนที่จะอนุญาตให้ส่งการแจ้งเตือนแบบเรียลไทม์
กลุ่มสารสนเทศทางคลินิกเพิ่มเกณฑ์การแจ้งเตือน และเพิ่มตัวเลือก "งีบหลับโดยมีเหตุผล" หลังจากที่พยาบาลรายงานการแจ้งเตือนซ้ำๆ เกี่ยวกับคนไข้ที่มีอาการคงที่เหมือนเดิม แล้วติดตามว่ายังคงตรวจพบผู้ป่วยจริงหรือไม่
คาดหวังการตรวจสอบข้อเท็จจริงมากขึ้นแทนที่จะน้อยลง ระบบสุขภาพตรวจสอบแบบจำลองในพื้นที่มากขึ้นก่อนเริ่มใช้งานจริง และหน่วยงานกำกับดูแลและหน่วยงานวิชาชีพก็ให้ความสำคัญกับวิธีประเมินและติดตามเครื่องมือคาดการณ์มากขึ้น การวิจัยกำลังมุ่งสู่แบบจำลองที่แสดงว่าสัญญาณใดที่ทำให้เกิดคะแนน รวมข้อมูลที่มีโครงสร้างเข้ากับบันทึกทางคลินิก และได้รับการทดสอบในอนาคตหรือในรูปแบบแบบสุ่ม แทนที่จะทำแบบย้อนหลังเท่านั้น สำหรับโรงพยาบาลส่วนใหญ่ คำถามเชิงปฏิบัติจะยังคงอยู่เกี่ยวกับขั้นตอนการทำงาน: การกำหนดเส้นทางการแจ้งเตือนไปยังบุคคลที่เหมาะสม การจำกัดการแจ้งเตือนที่ซ้ำกัน และการวัดว่าการแจ้งเตือนจะทำให้ระยะเวลาในการใช้ยาปฏิชีวนะสั้นลงจริงหรือไม่ และปรับปรุงผลลัพธ์ การทำนายภาวะติดเชื้อในกระแสเลือดมีแนวโน้มที่จะยังคงมีประโยชน์มากที่สุดเพื่อเป็นการประเมินโดยมนุษย์ ไม่ใช่การทดแทนการคาดการณ์
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การทำนายภาวะติดเชื้อจากการติดเชื้อ AI ใช้ข้อมูลของโรงพยาบาล เช่น สัญญาณชีพ ผลการตรวจทางห้องปฏิบัติการ และบันทึกการใช้ยา เพื่อประเมินว่าผู้ป่วยรายใดมีแนวโน้มที่จะเป็นโรคติดเชื้อ บ่อยครั้งก่อนที่แพทย์จะรับรู้ได้ เป็นเรื่องสำคัญเนื่องจากภาวะติดเชื้อเป็นสาเหตุสำคัญของการเสียชีวิตในโรงพยาบาล และความล่าช้าในการรักษาเพิ่มความเสี่ยง แต่แบบจำลองที่ได้รับการตรวจสอบไม่ดีอาจทำให้เจ้าหน้าที่ได้รับการแจ้งเตือนที่ผิดพลาดและพลาดกรณีที่เกิดขึ้นจริง
โมเดลเหล่านี้รวมตัวแปรหลายตัวเข้าเป็นคะแนนความเสี่ยง พวกเขาทำเครื่องหมายผู้ป่วยที่อาจเป็นโรคติดเชื้อ แพทย์ยังคงตรวจผู้ป่วยและตัดสินใจในการรักษา
การศึกษาพบว่าแบบจำลองนี้พลาดกรณีการติดเชื้อส่วนใหญ่ ในขณะเดียวกันก็แจ้งเตือนผู้ป่วยจำนวนมากที่ไม่มีภาวะติดเชื้อ ซึ่งแสดงให้เห็นว่าความแม่นยำที่นักพัฒนารายงานอาจไม่สามารถนำส่งไปยังโรงพยาบาลแห่งใหม่ได้
เมื่อการแจ้งเตือนส่วนใหญ่เป็นเท็จหรือซ้ำซาก แพทย์จะเริ่มเพิกเฉยหรือเพิกเฉย ซึ่งอาจทำให้พลาดคำเตือนอย่างแท้จริงได้
This is a form of leakage: the model picks up on clinician behavior that already reflects suspicion of sepsis, so it looks accurate in retrospect but adds little new warning.
Observational studies can show that prompt confirmation of alerts was associated with better outcomes, but they cannot fully rule out other explanations for the improvement.
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การทำนายความเสี่ยงจากการล้มของ AI ในโรงพยาบาล
อุตสาหกรรม