ИИ может помочь врачам принимать более правильные решения и спасать жизни

Важные новости

ИИ может помочь врачам принимать более обоснованные решения и спасать жизни

Кредит: Unsplash/CC0 Public Domain

Развертывание и оценка вмешательства машинного обучения для улучшения клинической помощи и результатов лечения пациентов является ключевым шагом в переносе моделей клинического ухудшения из байта в постель, согласно редакционной статье в Critical Care Medicine от 13 июня, в которой комментируется исследование Mount Sinai, опубликованное в том же выпуске.

Основное исследование показало, что госпитализированные пациенты на 43% чаще получали более интенсивную помощь и значительно реже умирали, если их лечащая команда получала оповещения, генерируемые ИИ, о неблагоприятных изменениях в их здоровье.

«Мы хотели посмотреть, смогут ли быстрые оповещения, создаваемые искусственным интеллектом и машинным обучением, обученные на различных типах данных о пациентах, помочь снизить как частоту необходимости пациентов в интенсивной терапии, так и их шансы умереть в больнице», — говорит ведущий автор исследования Мэтью А. Левин, доктор медицинских наук, профессор анестезиологии, периоперационной медицины и медицины боли, а также генетики и геномных наук в больнице Икан Маунт Синай и директор отдела клинических данных в больнице Маунт Синай.

«Традиционно для прогнозирования клинического ухудшения мы полагались на более старые ручные методы, такие как модифицированная оценка раннего предупреждения (MEWS). Однако наше исследование показывает, что оценки алгоритма автоматизированного машинного обучения, которые запускают оценку поставщиком услуг, могут превосходить эти более ранние методы в точном прогнозировании этого ухудшения. Важно отметить, что это позволяет принять более ранние меры, которые могут спасти больше жизней».

В нерандомизированном проспективном исследовании приняли участие 2740 взрослых пациентов, поступивших в четыре медико-хирургических отделения больницы Маунт-Синай в Нью-Йорке. Пациенты были разделены на две группы: одна получала оповещения в режиме реального времени на основе прогнозируемой вероятности ухудшения состояния и отправлялась непосредственно своим медсестрам и врачам или «группе быстрого реагирования» врачей интенсивной терапии, а другая группа, где оповещения создавались, но не отправлено. В отделениях, где оповещения были подавлены, пациенты, соответствующие стандартным критериям ухудшения состояния, получили срочное вмешательство группы быстрого реагирования.

Дополнительные результаты в группе вмешательства показали, что пациенты с большей вероятностью получали лекарства для поддержки сердца и кровообращения, что указывает на то, что врачи принимали ранние меры; и имели меньшую вероятность умереть в течение 30 дней.

«Наше исследование показывает, что оповещения в реальном времени с использованием машинного обучения могут существенно улучшить результаты лечения пациентов», — говорит старший автор исследования Дэвид Л. Райх, доктор медицинских наук, президент The Больница Маунт-Синай и Маунт-Синай-Квинс, профессор анестезиологии имени Горация В. Голдсмита и профессор искусственного интеллекта и здоровья человека в Икан-Маунт-Синай.

«Эти модели являются точными и своевременными помощниками в принятии клинических решений, которые помогают нам направить нужную команду к нужному пациенту в нужное время. Мы думаем о них как об инструментах «расширенного интеллекта», которые ускоряют личные клинические оценки нашими врачами и медсестер и предлагать методы лечения, которые обеспечат безопасность наших пациентов. Это ключевые шаги на пути к созданию обучающейся системы здравоохранения».

Исследование было досрочно прекращено из-за пандемии COVID-19. Алгоритм был применен во всех отделениях больницы Маунт-Синай с использованием упрощенного рабочего процесса. Пониженное отделение — это специализированное отделение в больнице, куда помещают пациентов, состояние которых стабильно, но которые все еще нуждаются в тщательном наблюдении и уходе. Это шаг между отделением интенсивной терапии (ОИТ) и больницей общего профиля, гарантирующий, что пациентам будет оказан необходимый уровень внимания во время выздоровления.

Команда врачей интенсивной терапии каждый день посещает 15 пациентов с наивысшими показателями прогнозирования и дает рекомендации по лечению врачам и медсестрам, ухаживающим за пациентом. Поскольку алгоритм со временем постоянно переобучается на большем количестве пациентов, оценки врачей интенсивной терапии служат золотым стандартом правильности, а алгоритм становится более точным за счет обучения с подкреплением.

В дополнение к этому клиническому алгоритма ухудшения состояния, исследователи разработали и внедрили 15 дополнительных инструментов поддержки клинических решений на основе искусственного интеллекта в системе здравоохранения Mount Sinai.

Статья Mount Sinai называется «Оповещения о машинном обучении в режиме реального времени для предотвращения эскалации помощи: нерандомизированное кластерное прагматическое клиническое исследование». Остальные авторы статьи, все вместе с Иканом Маунт-Синай, если не указано иное, — Араш Киа, доктор медицинских наук, магистр наук; Прем Тимсина, доктор философии; Фу-юань Чэн, MS; Ким-Ан-Нхи Нгуен, MS; Рупа Кохли-Сет, доктор медицинских наук; Хун-Мо Лин, доктор медицинских наук (Йельский университет); Юся Оуян, доктор философии; и Роберт Фриман, RN, MSN, NE-BC.

Дополнительная информация: Мэтью А. Левин и др., Предупреждения машинного обучения в реальном времени для предотвращения Эскалация медицинской помощи: нерандомизированное кластерное прагматическое клиническое исследование*, Медицина интенсивной терапии (2024 г.). DOI: 10.1097/CCM.0000000000006243

Гэри Э. Вайсман, Переход от in silico к in Clinico оценкам вмешательств на основе машинного обучения в интенсивной терапии*, Critical Care Medicine (2024). DOI: 10.1097/CCM.0000000000006277

Информация журнала: Медицина для интенсивной терапии, предоставленная больницей Маунт-Синай

Новости сегодня

Последние новости