ทีมดูแลทางคลินิกสำหรับผู้ป่วยโดยทั่วไปใช้เครื่องมือเช่นสัญญาณเตือนเตียงเข็มขัดเดินที่ตั้งของสถานีพยาบาลใกล้ชิดและอื่น ๆ เพื่อป้องกันการลดลงของผู้ป่วย
แต่การแทรกแซงเหล่านี้สามารถป้องกันเวิร์กโฟลว์ทางคลินิกและเตือนความเหนื่อยล้าสามารถทำให้พวกเขามีประสิทธิภาพน้อยกว่าที่ตั้งใจไว้
เพื่อช่วยให้แน่ใจว่ามีเพียงผู้ป่วยที่มีความเสี่ยงสูงเท่านั้นที่ได้รับความระมัดระวังอย่างเข้มข้นและความเหนื่อยล้าจากการเตือนภัยของแพทย์จะลดลง Aurora, Uchealth ในรัฐโคโลราโดได้พัฒนาส่วนต่อประสานผู้ใช้ใหม่
เครื่องมือนี้ใช้ข้อมูลการเคลื่อนย้ายตัวบ่งชี้สุขภาพพฤติกรรมและปัจจัยเสี่ยงอื่น ๆ เพื่อทำนายความเสี่ยงของการลดลงของผู้ป่วยที่ตกอยู่ในความเสียหายและใช้เครื่องมือคลาวด์เพื่อรวมการทำนายเข้ากับการลงทะเบียนสุขภาพอิเล็กทรอนิกส์ที่ยิ่งใหญ่
กลยุทธ์นี้ใช้ “ข้อมูลจำนวนมากที่ป้อนใน EHR ในกระแสน้ำทำงานอื่น ๆ และล้างเสียงรบกวนเพื่อให้แพทย์ได้รับคำแนะนำที่ชัดเจน” เบรนแดนดรูว์นักวิจัยข้อมูลที่มุ่งเน้นการดำเนินงานการแทรกแซงของ Uchealth และ Brittany Cyriacks ผู้มีข้อมูลทางคลินิกที่ระบบสุขภาพ
เราติดต่อกับ Drew และ Cyriacks เกี่ยวกับความพยายามของพวกเขาในการใช้ประโยชน์จากปัญญาประดิษฐ์และเครื่องมือเมฆ พวกเขาอธิบายเพิ่มเติมในระหว่างการศึกษาที่ HIMSS25 ในลาสเวกัสในเดือนหน้า
sp. โมเดลถูกสร้างขึ้นอย่างไรและเป้าหมายหลักคืออะไร?
หนึ่ง. ทีมสหวิทยาการของเราได้ทำการทบทวนวรรณกรรมที่ระบุตัวแปรความเสี่ยง – 12 โดเมนความเสี่ยง, 92 ตัวแปรที่มีศักยภาพ – และแมปเข้ากับองค์ประกอบข้อมูลมหากาพย์ ข้อมูลตัวอย่างจากการรับสมัครผู้ป่วยในมากกว่า 181,000 คนรวมถึงฟังก์ชั่นมากกว่า 200 ฟังก์ชั่นต่อวัน การบันทึก
ในขั้นต้นทั้ง XGBOOST และแบบจำลองการถดถอยลอจิสติกส์แบบปกติได้รับการทดสอบ ในท้ายที่สุดฟังก์ชั่นด้านบนได้รับการพัฒนาใหม่และรวมกันเป็นแบบจำลองการถดถอยโลจิสติกที่ง่ายขึ้น
แบบจำลองทำงานทุก ๆ สี่ชั่วโมงและใช้เอกสารทางคลินิกล่าสุด แทนที่จะเป็นตัวบ่งชี้สูง/ต่ำอย่างง่ายการจำแนกประเภทสามชั้นมีความเสี่ยงสูงที่สุดเพิ่มความเสี่ยงและผลการดำเนินการทางคลินิกที่มีความเสี่ยงสูงกว่าสากล
การจำแนกประเภทสร้างรายการระดับความเสี่ยงและข้อควรระวังเฉพาะของผู้ป่วยที่สามารถรักษาผู้ป่วยให้ปลอดภัย
คำถาม: อะไรคือความท้าทายในการรวมโมเดลเข้ากับเวิร์กโฟลว์ทางคลินิก?
หนึ่ง. ทีมต้องกำหนดข้อควรระวังที่ชัดเจนและมีความเสี่ยง (เช่นผู้ป่วยที่มีความเสี่ยงสูงสุดของผู้ป่วยจะต้องมีการแจ้งเตือนประธาน/เตียง, อยู่ไม่ไกลจากแขน ฯลฯ ) เพื่อให้พนักงานรู้ว่าการกระทำใดในแต่ละระดับความเสี่ยง
นอกเหนือจากมาตรฐานของข้อควรระวังงานนำเสนอจะเน้นถึงความท้าทายที่สำคัญต่อไปนี้:
- มุมมองที่มีความหมายของความเสี่ยง: การแสดงคะแนนตัวเลขไม่เพียงพอ แพทย์ต้องดูว่าทำไมผู้ป่วยจึงถูกทำเครื่องหมายว่ามีความเสี่ยงสูงและข้อควรระวังที่แนะนำ
- ความพร้อมใช้งานของข้อมูลใน 12 ชั่วโมงแรก: แบบจำลองต้องใช้การลงทะเบียนข้อมูลทางคลินิกที่เพียงพอและการดำรงอยู่ ในช่วง 12 ชั่วโมงแรกการจัดหมวดหมู่ความเสี่ยงอาจไม่สมบูรณ์ดังนั้นพนักงานจะต้องใช้การประเมินทางคลินิกเพื่อตัดสินใจว่าผู้ป่วยจะได้รับประโยชน์จากการใช้มาตรการป้องกันสากลหรือข้อควรระวังเพิ่มเติมโดยไม่ต้องพึ่งพาแบบจำลองเท่านั้น
- ความเชื่อมั่นและการรับเลี้ยงบุตรบุญธรรมของผู้ใช้: เพื่อให้แน่ใจว่าพยาบาลและสมาชิกคนอื่น ๆ ของทีมดูแลที่ไว้วางใจคำแนะนำ AI นั้นสำคัญมาก การสื่อสารอย่างต่อเนื่องการฝึกอบรมและอินเทอร์เฟซที่เป็นมิตรกับผู้ใช้ช่วยสร้างความมั่นใจในตนเอง ข้อมูลเกี่ยวกับเหตุการณ์ในฤดูใบไม้ร่วงได้ช่วยผลักดันการสนทนาออกไปจากความไว้วางใจในคำแนะนำ AI และอื่น ๆ ต่ออุปสรรคต่อการดำเนินการตามข้อควรระวังสำหรับผู้ป่วย
- การรวมเวิร์กโฟลว์: แทนที่จะเพิ่มขั้นตอนพิเศษสำหรับแพทย์ผลลัพธ์ของโมเดลและข้อควรระวังที่แนะนำนั้นถูกสร้างขึ้นในแผ่นงานมหากาพย์ที่มีอยู่ป๊อปอัปและแผนการดูแลเพื่อให้พนักงานสามารถใช้พวกเขาได้อย่างเป็นธรรมชาติ
คำถาม: เซสชั่นจะให้ข้อมูลเชิงลึกเกี่ยวกับการใช้ AI เพื่อลดการบาดเจ็บที่ตกอยู่ในความเสี่ยงหรือไม่?
หนึ่ง. ใช่. งานนำเสนอรวมถึงกลยุทธ์สำหรับการยอมรับแบบจำลองที่คาดการณ์ได้การวัดประสิทธิภาพของแบบจำลองการจัดการกับความแตกต่างระหว่างประชากรที่แตกต่างกัน (ตัวอย่างเช่นผู้ป่วยที่พูดภาษาสเปน) และสร้างความมั่นใจในการปรับปรุงอย่างต่อเนื่อง
นอกจากนี้ยังเน้นถึงโลกแห่งความเป็นจริงสิ่งที่เราได้เรียนรู้มาจนถึงตอนนี้ ‘ธีมและเสนอประเด็นที่เป็นประโยชน์เกี่ยวกับวิธีการใช้งานตรวจสอบและปรับแต่งเครื่องมือ AI สำหรับการป้องกันการตก เราจะเน้นความมุ่งมั่นที่องค์กรและพยาบาลต้องการไปพร้อมกัน
เซสชั่นของ Drew and Cyriacks ”Fall Skatus Risk Model: จาก AI ถึงการแทรกแซงทางคลินิก” มีกำหนดในวันอังคารที่ 4 มีนาคมเวลา 19.00 น. 15.00 ถึง 15.00 น. บน HIMSS25