Nowe badanie przeprowadzone przez Mount Sinai Health System pokazuje, że sztuczna inteligencja (AI) może przewidywać, którzy pacjenci trafią do szpitala z oddziałów ratunkowych, nawet kilka godzin wcześniej niż jest to obecnie możliwe. Takie rozwiązanie może znacząco usprawnić pracę personelu medycznego, ograniczyć przeludnienie SOR-ów oraz poprawić doświadczenie pacjentów.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja może przewidzieć przyjęcie pacjenta na SOR nawet kilka godzin wcześniej.
- Jakie korzyści przynosi wcześniejsze planowanie hospitalizacji dla pacjentów i szpitali.
- Na czym polegało jedno z największych prospektywnych badań AI w medycynie ratunkowej.
- Jak współpraca pielęgniarek i algorytmów uczenia maszynowego wpływa na jakość opieki.
Wczesne przewidywanie przyjęć – rewolucja w planowaniu opieki
Badanie opublikowane 9 lipca w internetowym wydaniu czasopisma Mayo Clinic Proceedings: Digital Health jest jedną z największych dotychczas prospektywnych ocen zastosowania AI w medycynie ratunkowej. Naukowcy współpracowali z ponad 500 pielęgniarkami w siedmiu szpitalach, analizując model uczenia maszynowego wytrenowany na danych z ponad miliona wcześniejszych wizyt pacjentów.
Przez dwa miesiące porównywano prognozy AI z ocenami pielęgniarskimi, aby sprawdzić, czy system może pomóc szybciej identyfikować pacjentów wymagających hospitalizacji. Wyniki pokazały, że AI skutecznie przewidywała przyjęcia, a połączenie jej analiz z ocenami pielęgniarek nie dawało istotnie lepszych rezultatów, co podkreśla wysoką skuteczność samego modelu.
Skala problemu przeludnienia SOR-ów
Przeludnienie oddziałów ratunkowych to narastający problem w wielu krajach, wpływający zarówno na jakość opieki, jak i kondycję finansową placówek. Jak obrazowo zauważyli autorzy badania, w branżach takich jak linie lotnicze czy hotele prognozowanie popytu opiera się na rezerwacjach – w medycynie ratunkowej takich mechanizmów dotąd brakowało.
Naszym celem było sprawdzenie, czy sztuczna inteligencja w połączeniu z informacjami od naszych pielęgniarek może przyspieszyć planowanie przyjęć, swoistą rezerwację” – wyjaśnia Jonathan Nover, MBA, pielęgniarz i główny autor badania. „Opracowaliśmy narzędzie do prognozowania zapotrzebowania na przyjęcia przed złożeniem zamówienia, oferujące informacje, które mogą fundamentalnie usprawnić zarządzanie przepływem pacjentów w szpitalach, prowadząc do lepszych wyników leczenia.
Jak działa model AI?
Model został wytrenowany na ogromnym zbiorze danych obejmującym ponad milion wizyt pacjentów, co pozwoliło mu uchwycić istotne wzorce diagnostyczne i operacyjne.
Trenując algorytm na ponad milionie wizyt pacjentów, staraliśmy się uchwycić istotne wzorce, które mogłyby pomóc w przewidywaniu przyjęć wcześniej niż tradycyjne metody” – podkreśla dr Eyal Klang, współautor badania. Siłą tego podejścia jest jego zdolność do przekształcania złożonych danych w aktualne, praktyczne wnioski dla zespołów klinicznych – uwalniając je, aby mogły skupić się mniej na logistyce, a bardziej na zapewnianiu osobistej, pełnej empatii opieki, którą mogą zapewnić tylko ludzie.
Kolejne kroki i znaczenie dla praktyki klinicznej
Choć badanie obejmowało jeden system opieki zdrowotnej i trwało dwa miesiące, jego autorzy planują testy w warunkach klinicznych w czasie rzeczywistym. Celem będzie sprawdzenie, czy włączenie AI do codziennej pracy zespołów medycznych skróci czas przyjmowania pacjentów, usprawni przepływ chorych i poprawi efektywność operacyjną.
To narzędzie nie ma na celu zastąpienia lekarzy, ale ich wsparcia. Dzięki wcześniejszemu przewidywaniu przyjęć możemy dać zespołom opieki czas potrzebny na planowanie, koordynację i ostatecznie zapewnienie lepszej, bardziej empatycznej opieki – podkreśla Robbie Freeman, współautor badania i dyrektor ds. transformacji cyfrowej w Mount Sinai Health System.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- AI przewiduje hospitalizację na SOR – system Mount Sinai potrafi wskazać pacjentów wymagających przyjęcia nawet kilka godzin wcześniej niż dotychczasowe metody.
- Badanie obejmowało 50 tys. wizyt w siedmiu szpitalach i wykazało wysoką skuteczność modelu opartego na danych z ponad miliona wcześniejszych przypadków.
- Wczesne prognozy pomagają zmniejszyć przeludnienie, skrócić czas oczekiwania i poprawić doświadczenia pacjentów.
- Współpraca człowiek–maszyna pokazuje, że AI nie zastępuje personelu medycznego, lecz wspiera go w planowaniu i koordynacji opieki.
Źródło:
- Mount Sinai Health System
- Admissions in a Multisite Emergency Care System
