Βρείτε μας στο Google News. Πατήστε εδώ!Σύγχρονη Ιατρική: Καλώς ήρθατε στον κόσμο της σύγχρονης ιατρικής. Τα εργαλεία υπολογιστικής όρασης μπορούν να ανιχνεύσουν με ακρίβεια ύποπτες δερματικές βλάβες ή να προβλέψουν τη στεφανιαία νόσο από σαρώσεις. Τα ρομπότ που βασίζονται σε δεδομένα καθοδηγούν την ελάχιστα επεμβατική χειρουργική. Η μηχανική μάθηση μπορεί να εφαρμοστεί σε αναλύσεις γονιδιωματικών και μοριακών δεδομένων ασθενών για τον εντοπισμό ασθενειών όπως το Αλτσχάιμερ ή για να βοηθήσει στην επιλογή του καλύτερου φαρμάκου για έναν ασθενή.
Οι μέθοδοι βαθιάς μάθησης μπορούν να χρησιμοποιηθούν για τη μοντελοποίηση δεδομένων ηλεκτρονικών αρχείων υγείας για την πρόβλεψη των αποτελεσμάτων υγείας για τους ασθενείς. Είναι περίεργο ότι η εφαρμογή εργαλείων τεχνητής νοημοσύνης (AI) στην υγειονομική περίθαλψη έχει περιγραφεί ως μία από τις σημαντικότερες βιομηχανικές επαναστάσεις της εποχής μας; «Αν και συμφωνώ ότι τα εργαλεία τεχνητής νοημοσύνης στην υγειονομική περίθαλψη αντιπροσωπεύουν μια σημαντική βιομηχανική επανάσταση, πιστεύω ότι υπάρχει ακόμη ένα σημαντικό ταξίδι μπροστά για να μπορέσει η τεχνητή νοημοσύνη να φέρει πραγματική επανάσταση στις βασικές πτυχές των υπηρεσιών υγειονομικής περίθαλψης που παρέχονται από τους γιατρούς», λέει ο Daniel Zheng, Αναπληρωτής Καθηγητής Διοίκησης Επιχειρήσεων στο Πανεπιστήμιο Διοίκησης της Σιγκαπούρης (SMU). Η ερευνητική ομάδα σχεδίασε ένα εξατομικευμένο εργαλείο υποστήριξης αποφάσεων που χρησιμοποιεί προγνωστικές πληροφορίες για να βοηθήσει στη λήψη καλύτερων αποφάσεων σχετικά με τη συνέχιση της ιατρικής θεραπείας σε μονάδες εντατικής θεραπείας (ΜΕΘ). Συγκεκριμένα, η μελέτη εξέτασε το βέλτιστο σημείο στο οποίο θα μπορούσε να αφαιρεθεί η μηχανική υποστήριξη για την αναπνοή από έναν ασθενή (διασωλήνωση). Οι μεθοδολογίες μπορούν να ισχύουν για τη διακοπή άλλων κρίσιμων θεραπειών. “Η εφαρμογή μας της προγνωστικής ανάλυσης για μελλοντικές καταστάσεις υγείας των ασθενών δεν είναι εντελώς νέα. Οι γιατροί ενσωματώνουν εδώ και πολύ καιρό τις προβλέψεις τους στις κλινικές αποφάσεις”, λέει ο καθηγητής Zheng. «Αλλά η προσέγγισή μας στοχεύει να επισημοποιήσει αυτή τη διαδικασία, ενσωματώνοντας προβλέψεις που δημιουργούνται από μηχανή σε πρωτόκολλα κλινικών αποφάσεων, ενισχύοντας έτσι τη λήψη αποφάσεων και βελτιώνοντας τα αποτελέσματα των ασθενών και τη λειτουργική αποτελεσματικότητα». Μελλοντικά κράτη Η πλημμύρα ασθενών που χρήζουν εντατικής θεραπείας κατά τη διάρκεια της πανδημίας COVID υπογράμμισε ότι οι ΜΕΘ αποτελούν σημείο πίεσης στα συστήματα υγειονομικής περίθαλψης που ήδη αντιμετωπίζουν αυξανόμενη ζήτηση από τη γήρανση του πληθυσμού, οικονομικούς περιορισμούς και ελλείψεις εξειδικευμένου προσωπικού.
Δεδομένου ότι η εντατική φροντίδα είναι δαπανηρή τόσο για τους ασθενείς όσο και για τα νοσοκομεία και ο αριθμός των κλινών ΜΕΘ είναι περιορισμένος, η διαχείριση αυτών των πόρων πρέπει να γίνεται όσο το δυνατόν πιο αποτελεσματικά. Δεν επιτρέπεται η έξοδος των ασθενών από ΜΕΘ όσο είναι ακόμη διασωληνωμένοι. Η απόφαση για αποσωλήνωση είναι ζωτικής σημασίας για τους ασθενείς και ο χρόνος μέχρι την αποσωλήνωση θεωρείται συνήθως το πρωταρχικό αποτέλεσμα υπηρεσιών για τη χειρουργική φροντίδα στα νοσοκομεία. «Επιλέξαμε τις αποφάσεις αποσωλήνωσης ως εστίασή μας λόγω της κρίσιμης φύσης τους στη ΜΕΘ, ιδιαίτερα μετά την καρδιοχειρουργική επέμβαση», λέει ο καθηγητής Zheng. “Αυτό το θέμα προτάθηκε αρχικά από τους συνεργαζόμενους γιατρούς μας που αναζητούν υποστήριξη βάσει δεδομένων για αυτές τις αποφάσεις.” Τα υπάρχοντα πρωτόκολλα σχετικά με την απόφαση συνέχισης της ιατρικής θεραπείας λαμβάνουν υπόψη μόνο τρέχουσες ή ιστορικές λεπτομέρειες της κατάστασης του ασθενούς χωρίς να λαμβάνουν υπόψη την πιθανή μελλοντική κατάσταση. Χρησιμοποιώντας ένα ολοκληρωμένο σύνολο δεδομένων νοσοκομείων, οι ερευνητές αξιολόγησαν την αποτελεσματικότητα διαφόρων πολιτικών και απέδειξαν ότι η ενσωμάτωση προγνωστικών πληροφοριών μπορεί να μειώσει τη διάρκεια παραμονής στη ΜΕΘ έως και 3,4 τοις εκατό και, ταυτόχρονα, να μειώσει το ποσοστό αποτυχίας της διασωλήνωσης έως και 20,3 τοις εκατό, σε σύγκριση με τη βέλτιστη πολιτική που δεν χρησιμοποιεί πρόβλεψη. Αυτά τα οφέλη είναι πιο σημαντικά για ασθενείς με κακές αρχικές συνθήκες κατά την εισαγωγή στη ΜΕΘ. «Η ανάλυσή μας δείχνει ότι εφόσον το μοντέλο πρόβλεψης είναι εύλογα ακριβές, η ενσωμάτωσή του στα πρωτόκολλα αποφάσεων είναι ευεργετική, παρά την πιθανή υπερβολική εξάρτηση ή παρερμηνεία από τους γιατρούς», λέει ο καθηγητής Zheng. Πρόσθετο αποτέλεσμα Οι ερευνητές άντλησαν τα εμπειρικά τους δεδομένα από 5.566 εισαγωγές στη ΜΕΘ στην καρδιοθωρακική ΜΕΘ στο Εθνικό Πανεπιστημιακό Νοσοκομείο της Σιγκαπούρης. Συγκεντρώθηκαν δεδομένα εισαγωγής σε επίπεδο ασθενούς, όπως η ηλικία, το φύλο, η φυλή και ο χρόνος εισαγωγής, και κατά τη διάρκεια της παραμονής στη ΜΕΘ, καταγράφηκαν ολοκληρωμένα φυσιολογικά δεδομένα, όπως θερμοκρασία σώματος, καρδιακός ρυθμός και αρτηριακή πίεση, από ένα ψηφιακό σύστημα παρακολούθησης. Τα αποτελέσματα των εργαστηριακών εξετάσεων, τα φάρμακα, οι διαδικασίες και οι σημειώσεις νοσηλευτικής φροντίδας ενσωματώθηκαν επίσης στο σύνολο δεδομένων.
Και ενώ η μέθοδος που χρησιμοποιήθηκε για τον καθαρισμό τόσων ακατέργαστων δεδομένων δεν ήταν νέα, ήταν “διεξοδική και κρίσιμη”. «Ο καθαρισμός δεδομένων ήταν μια προκλητική αλλά κρίσιμη διαδικασία, που περιελάμβανε εκτεταμένη συνεργασία με γιατρούς και νοσηλευτές για την κατανόηση κλινικών σημειώσεων και μεταβλητών», λέει ο καθηγητής Zheng. Για να επεκτείνουν τα μοντέλα πρόβλεψης κινδύνου στο περιβάλλον διαχείρισης της ΜΕΘ, οι ερευνητές υιοθέτησαν το πλαίσιο της μοντελοποίησης ανύψωσης, μια τεχνική προγνωστικής μοντελοποίησης που χρησιμοποιείται στην ανάλυση δεδομένων και στην επιχειρησιακή έρευνα. Διαφέρει από την παραδοσιακή προγνωστική μοντελοποίηση εστιάζοντας στην αλλαγή στην πιθανότητα που προκαλείται από μια συγκεκριμένη ενέργεια ή θεραπεία, αντί να προβλέπει απλώς την πιθανότητα του ίδιου του αποτελέσματος. Με πιο απλά λόγια, προσπαθεί να απαντήσει στο ερώτημα: Ποιο είναι το πρόσθετο αποτέλεσμα αυτής της θεραπείας ή παρέμβασης στο συγκεκριμένο άτομο ή ομάδα; “Η μοντελοποίηση ανύψωσης, η οποία προβλέπει τον αυξητικό αντίκτυπο του συνεχιζόμενου αερισμού, χρησιμοποιήθηκε ως είσοδος για το μοντέλο απόφασης αποσωλήνωσης. Δημιουργεί προβλέψεις αλλά δεν υπαγορεύει την εφαρμογή τους, όπου το μοντέλο μας μπαίνει στο παιχνίδι, υποδεικνύοντας πώς θα πρέπει να χρησιμοποιηθούν αυτές οι προβλέψεις. “λέει ο καθηγητής Zheng. Η ενσωμάτωση προηγμένης μαθηματικής μοντελοποίησης και ανάλυσης δεδομένων από την ερευνητική ομάδα με κρίσιμες ιατρικές αποφάσεις καταδεικνύει ότι μια διεπιστημονική προσέγγιση μπορεί να προσφέρει πολύτιμες γνώσεις για τις πραγματικές προκλήσεις της υγειονομικής περίθαλψης.
Ευρύτερη χρήση «Η λήψη αποφάσεων με τη βοήθεια πρόβλεψης έχει πιθανές εφαρμογές σε διάφορες αποφάσεις κλινικής και λειτουργικής περίθαλψης», λέει ο καθηγητής Zheng. «Το έργο μας, για παράδειγμα, έχει επιπτώσεις στις αποφάσεις αιμοκάθαρσης και εξιτηρίου στη ΜΕΘ, αποδεικνύοντας την ευρεία εφαρμογή της συστηματικής μόχλευσης νέων προγνωστικών μοντέλων και αλγορίθμων». Λοιπόν, τι ακολουθεί για τους ερευνητές; Θα μπορούσε η εργασία τους για την αποσωλήνωση να οδηγήσει σε ένα προϊόν; «Βρισκόμαστε στα προκαταρκτικά στάδια της διερεύνησης μιας συνεργασίας με μια εταιρεία βιοτεχνολογίας που ειδικεύεται σε λύσεις κεντρικής διαχείρισης αναπνευστήρων», λέει ο καθηγητής Zheng. «Η συλλογή προϊόντων τους περιλαμβάνει υλικό για συλλογή δεδομένων, κρυπτογράφηση και μετάδοση, καθώς και μια πλατφόρμα λογισμικού σχεδιασμένη για οπτικοποίηση δεδομένων και παρακολούθηση κινδύνου ασθενών». «Βλέπουμε μια πιθανή ευκαιρία να ενσωματώσουμε το μοντέλο μας στο υπάρχον σύστημά τους, το οποίο θα μπορούσε να βελτιώσει σημαντικά την παρακολούθηση του κινδύνου του αναπνευστήρα και να υποστηρίξει τη διαδικασία λήψης αποφάσεων διασωλήνωσης». “Αυτή η συνεργασία αντιπροσωπεύει ένα πολλά υποσχόμενο βήμα προς τη μετάβαση της έρευνάς μας από τις θεωρητικές κατασκευές σε πρακτικές, πραγματικές εφαρμογές εντός ιατρικών πλαισίων”, λέει ο καθηγητής Zheng.
