Πολλοί ηλικιωμένοι ασθενείς στα νοσοκομεία αναπτύσσουν παραλήρημα. Οι ερευνητές του Johns Hopkins χρησιμοποίησαν μοντέλα τεχνητής νοημοσύνης για να εντοπίσουν ασθενείς που ήταν πιθανό να αναπτύξουν παραλήρημα.
Ερευνητές στο Πανεπιστήμιο Johns Hopkins δήλωσαν ότι αναπτύσσουν τρόπους για τη χρήση τεχνητής νοημοσύνης για την ανίχνευση προειδοποιητικών σημείων παραλήρημα σε ασθενείς σε νοσοκομεία.
Οι αλγόριθμοι τεχνητής νοημοσύνης έχουν αποδειχθεί επιτυχείς σε πρώιμες δοκιμές, σύμφωνα με ευρήματα που δημοσιεύθηκαν στο περιοδικό Αναισθησιολογία.
Τα πρώιμα αποτελέσματα έχουν ενδιαφέρουσες επιπτώσεις στη βελτίωση της θεραπείας και στον εντοπισμό ασθενών που θα μπορούσαν να αναπτύξουν παραλήρημα, δήλωσε ο Robert Stevens, αναπληρωτής καθηγητής αναισθησιολογίας και ιατρικής εντατικής θεραπείας στην Ιατρική Σχολή του Πανεπιστημίου Johns Hopkins και ανώτερος συγγραφέας της μελέτης.
«Το να μπορούμε να κάνουμε διαφοροποίηση μεταξύ ασθενών με χαμηλό και υψηλό κίνδυνο παραληρήματος είναι απίστευτα σημαντικό στη ΜΕΘ, επειδή μας δίνει τη δυνατότητα να αφιερώνουμε περισσότερους πόρους για παρεμβάσεις στον πληθυσμό υψηλού κινδύνου», δήλωσε ο Στίβενς στο Johns Hopkins. δελτίο ειδήσεων.
Οι ασθενείς με παραλήρημα διατρέχουν μεγαλύτερο κίνδυνο θανάτου, μεγαλύτερης διάρκειας παραμονής στο νοσοκομείο ή μακροχρόνια μείωση της γνωστικής λειτουργίας, ανακάλυψαν ερευνητές.
Έως και το 80% των ηλικιωμένων ασθενών που υποβάλλονται σε θεραπεία σε μονάδες εντατικής θεραπείας μπορεί να αναπτύξουν παραλήρημα και περίπου το ένα τέταρτο όλων των ηλικιωμένων που εισάγονται στο νοσοκομείο έχουν βρεθεί ότι έχουν παραλήρημα, σύμφωνα με Φύση μελέτη δημοσιεύθηκε το 2020.
Οι φοιτητές μηχανικής του Johns Hopkins βοήθησαν στην ανάπτυξη των μοντέλων AI που χρησιμοποιούνται για την πρόβλεψη του κινδύνου παραλήρημα, σύμφωνα με την ανακοίνωση του πανεπιστημίου.
Οι ερευνητές ανέπτυξαν ένα «στατικό» μοντέλο τεχνητής νοημοσύνης που προέβλεπε τον κίνδυνο από ένα στιγμιότυπο δεδομένων ασθενών αμέσως μετά την εισαγωγή, δήλωσε το πανεπιστήμιο. Ανέπτυξαν επίσης ένα «δυναμικό» μοντέλο που εξέταζε τις πληροφορίες των ασθενών, όπως ο παλμός και η αρτηριακή πίεση, σε διάστημα ημερών για να αξιολογήσει τον κίνδυνο παραλήρημα τις επόμενες 12 ώρες. Τα μοντέλα δοκιμάστηκαν εξετάζοντας περισσότερες από 100.000 νοσηλεία στη ΜΕΘ σε νοσοκομείο της Βοστώνης, είπε ο Τζονς Χόπκινς.
Και τα δύο μοντέλα αποδείχθηκαν επιτυχημένα στην προβολή ασθενών που θα έπαθαν παραλήρημα. Το δυναμικό μοντέλο εντόπισε ασθενείς σε κίνδυνο για παραλήρημα έως και το 90% των περιπτώσεων, ενώ το στατικό μοντέλο πρόβλεψε με επιτυχία ασθενείς που θα ανέπτυξαν παραλήρημα στο 78,5% των περιπτώσεων.
Ο Stevens λέει ότι δοκιμάζει τους αλγόριθμους σε ιστορικά δεδομένα ασθενών στις ΜΕΘ της Johns Hopkins Medicine και σχεδιάζει να σχεδιάσει μια δοκιμή για να δοκιμάσει τα μοντέλα σε ασθενείς που εισάγονται σε ΜΕΘ. Οραματίζεται τη χρήση μοντέλων AI για να προσπαθήσει να προβλέψει τους κινδύνους καρδιακής ανεπάρκειας και εμβολών.
«Για πολλές από αυτές τις φυσιολογικές μεταβάσεις, πιστεύουμε ότι υπάρχουν πρώιμα προειδοποιητικά σημάδια που μπορεί να μην είναι προφανή σε έναν κλινικό ιατρό, αλλά μπορούν να εντοπιστούν χρησιμοποιώντας τα είδη ανάλυσης προτύπων που υποστηρίζεται από τεχνητή νοημοσύνη που χρησιμοποιήσαμε εδώ», είπε ο Stevens στο το δελτίο τύπου.
Οι ερευνητές βρίσκουν πολλά υποσχόμενα αποτελέσματα στη χρήση του AI. Οι ερευνητές της Mayo Clinic χρησιμοποίησαν ηχοκαρδιογραφήματα με δυνατότητα AI για να εντοπισμός ασθενών με μεγαλύτερο κίνδυνο εγκεφαλικού.
Παρά τη μεγάλη δημοσιότητα, η ευρεία χρήση της τεχνητής νοημοσύνης στην ιατρική μόλις αρχίζει, αλλά οι ηγέτες της υγειονομικής περίθαλψης ωστόσο προβλέπουν ότι Η τεχνητή νοημοσύνη έχει τη δυνατότητα να μεταμορφώσει τη θεραπεία και τη φροντίδα των ασθενών.
Ο Μάικλ Χάουελ, επικεφαλής κλινικός διευθυντής και αναπληρωτής επικεφαλής υγείας της Google, είπε κατά τη διάρκεια μιας επιτροπής τον Σεπτέμβριο: «Η τεχνητή νοημοσύνη θα κάνει πράγματα που δεν πιστεύαμε ότι ήταν δυνατά».
Διαβάστε περισσότερα:
Τεχνητή νοημοσύνη, υγειονομική περίθαλψη και ζητήματα νομικής ευθύνης
.