Что, если бы ИИ провел сортировку ER? Вот как это ускорило уход за пациентами в реальных испытаниях

В первом в своем роде исследовании, проведенном в Йельском университете и Университете Джона Хопкинса, была протестирована программа искусственного интеллекта в трех отделениях неотложной помощи, чтобы выяснить, может ли она помочь медсестрам принимать более быстрые и точные решения и ускорить поток пациентов. Вот что произошло.

Любой, кто не имеет медицинской профессии и забрел в отделение неотложной помощи, может быть сбитым с толку часами ожидания и таинственным процессом, с помощью которого медсестры и врачи перемещают пациентов через стадии неотложной помощи.

Исследователи из Йельской школы медицины и Университета Джона Хопкинса недавно написали, что созданная ими программа искусственного интеллекта может улучшить процесс работы отделения неотложной помощи, сделав задачу сортировки более эффективной и точной. Сортировка — это когда медсестры оценивают тяжесть состояний при поступлении пациентов.

«Сортировка является важным первым шагом в оказании неотложной помощи с глубокими последствиями для распределения ресурсов и, в конечном счете, для результатов лечения пациентов, включая заболеваемость и смертность», — пишут ученые в исследовании, опубликованном в The New England Journal of Medicine.

Использование ИИ при сортировке

Это первое исследование в своем роде, которое показывает реальные эффекты использования ИИ при сортировке, утверждают авторы.

Ведущий автор исследования Р. Эндрю Тейлор и его коллеги описывают трехлетний эксперимент, охватывающий период с 2020 по 2023 год, в котором медсестры отделения неотложной помощи в трех отделениях неотложной помощи на северо-востоке США использовали программу искусственного интеллекта для 176 648 пациентов, чтобы помочь медсестрам ранжировать тяжесть случаев при поступлении.

Авторы обнаружили, что медсестры, использующие этот инструмент, смогли быстрее перемещать пациентов по процессу в отделении неотложной помощи — от того, сколько времени потребовалось для оказания первичной помощи, до того, сколько времени потребовалось для выделения койки и сколько времени потребовалось для выписки пациентов. Все это привело к сокращению времени в отделении неотложной помощи в целом.

Они пишут, что программа «сортировки с учетом ИИ», «инструмент поддержки принятия клинических решений» (CDS), привела к «повышению производительности сортировки и потоку пациентов в отделении неотложной помощи», так что «ИИ может привести к сокращению времени ожидания и продолжительности пребывания в отделении неотложной помощи».

Но они также обнаружили, что медсестры с этим инструментом были более внимательны к случаям, когда пациенты нуждались в критических вмешательствах, таких как госпитализация, хирургическое вмешательство или госпитализация в отделение интенсивной терапии.

«Дерево» возможных решений

В исследовании «Влияние поддержки принятия решений о сортировке на основе искусственного интеллекта на оказание неотложной помощи в отделении» Тейлор и его команда описывают компьютерный пользовательский интерфейс, который отображает рекомендации CDS для медсестры.

Программа искусственного интеллекта не является большой языковой моделью, как GPT от OpenAI. Это гораздо более старая, более традиционная техника искусственного интеллекта, известная как «случайный лес», которая опирается на нейронные сети, как и GPT, но не генерирует текстовые выводы. Вместо этого он перемещается по «дереву» возможных решений и выбирает лучшее из них.

CDS включал в себя данные о возрасте, поле, способе прибытия, жизненно важных показателях, «основной жалобе», сопутствующих заболеваниях (анамнезе заболевания, которое может указывать на зоны риска, такие как высокое кровяное давление) и «активных медицинских проблемах» каждого пациента при поступлении. (Интересно, что во всех случаях тремя наиболее распространенными основными жалобами были боль в животе, боль в груди и одышка.)

После ввода данных пользовательский интерфейс показывал медсестре оценку тяжести состояния пациента, полученную с помощью CDS, в соответствии со стандартной шкалой, называемой ESI, или индексом тяжести неотложной помощи. ESI оценивает пациентов от 1 до 5 с точки зрения серьезности или «остроты» состояния, где 1 является наиболее серьезным. Также отображалась сводка на естественном языке с обоснованием оценки машины.

Медсестер спросили, согласны ли они или не согласны с компьютерной оценкой ESI, и попросили выставить свою собственную оценку, как они обычно делают в отделении неотложной помощи. Их согласие или несогласие с компьютером было важной переменной в эксперименте, потому что исследование измеряло, что происходило, когда медсестры соглашались или не соглашались с рекомендацией искусственного интеллекта.

Результаты потока пациентов

То, что произошло с «потоком пациентов», сравнивалось для пациентов за шесть месяцев до внедрения CDS и через шесть месяцев после.

Главный результат заключается в том, что количество людей, сгруппированных по высокой или низкой остроте, изменилось, а вместе с ним изменился профиль тех, кто занимал высокое или низкое место. Число людей с «низкой» остротой (ESI 4 или 5) выросло почти на 50%, в то время как общее количество людей в категории «высокая» снизилось почти на 9%, а общее количество людей в средней, уровне 3, также снизилось почти на 20%. Другими словами, больше людей были снижены для снижения риска с CDS.

Кроме того, больше пожилых пациентов были переведены в группу с высокой степенью тяжести, в то время как больше молодых людей были переведены в группу с низкой остротой. Также наблюдались изменения в том, как проявлялись жизненно важные органы, жалобы и сопутствующие заболевания, например, боль в груди стала более распространенной у тех, кому была присвоена низкая острота тела, а одышка — у тех, кому была присвоена высокая острота.

Другими словами, ИИ привел к тому, что жалобы использовались по-разному для «стратификации» пациентов.

Немедленным результатом, как писали Тейлор и его команда, было то, что пациенты «проходили» через вещи быстрее. «Наблюдалось сокращение времени от прибытия до зоны первичной медицинской помощи», — пишут они. Также произошло изменение в скорости выписки людей из отделения неотложной помощи, в среднем на 82 минуты.

Самое большое изменение заключается в том, что люди в категории высокой остроты тратят меньше времени на ожидание перед отправкой в реанимацию, сократившись более чем на два часа. «Наиболее заметные изменения были испытаны у тех, кто находится в критическом состоянии или соответствует критериям интенсивной терапии или исхода экстренной операции», — пишут они.

Эффективность — не единственный результат

Однако дело было не только в эффективности. Число пациентов, правильно отнесенных к «интенсивной терапии», выросло при использовании CDS, а это означает, что пациенты, которые в конечном итоге умерли в больнице или были госпитализированы в отделение интенсивной терапии, были более точно идентифицированы заранее во время сортировки. С помощью искусственного интеллекта медсестры стали более «чувствительными» к случаям, требующим интенсивной терапии, как выразились Тейлор и его команда.

«Результаты демонстрируют заметные изменения в процессе сортировки, — пишут Тейлор и его команда, — с улучшением выравнивания распределения, повышенной точностью в выявлении пациентов с высоким и низким риском с помощью медсестер с помощью искусственного интеллекта и увеличением потока пациентов».

Они добавили: «CDS сортировки с помощью ИИ была связана с улучшением производительности сортировочных медсестер в раннем выявлении пациентов с риском критического заболевания; это важная первоочередная цель сортировки ОНП».

А медсестры, которые чаще соглашались с CDS, в конечном итоге стали еще более чувствительными к критичности неотложной помощи, хирургии, интенсивной терапии и т. д.

Здесь Тейлор и его команда не могут быть уверены, что именно машина направляла медсестер к лучшим решениям; Возможно, это были просто лучшие медсестры. Как писали:

Подгруппа медсестер с высокими показателями согласия в целом превосходила только ИИ; И наоборот, подгруппа медсестер с низкими показателями согласия в целом показала худшие результаты, чем только ИИ. Хотя наши результаты показывают, что более высокий уровень согласия может быть связан с лучшими показателями сортировки, вполне возможно, что группа медсестер с высоким уровнем согласия обладала большей клинической проницательностью, независимой от CDS, что позволяет им лучше различать, когда следует согласовывать их с рекомендациями, основанными на искусственном интеллекте.

Их вывод заключается в том, что «сохранение возможности принятия решений человеком имеет решающее значение и согласуется с предыдущими исследованиями, которые подчеркивают синергетический потенциал интеграции ИИ с человеческим суждением».

Ограничения

Неопределенность в отношении роли индивидуальной проницательности медсестер — не единственное ограничение исследования. Кроме того, различные ER могут иметь сезонные тенденции, которые являются «искажающими», факторами, которые делают результаты исследования проблематичными.

Еще одно ограничение заключается в том, что CDS опиралась на электронные медицинские карты, которые имеют свои собственные ограничения, такие как отсутствие специфичности в отношении пациентов.

Самым глубоким ограничением является то, что в исследовании не отслеживалось, что происходило с пациентами после ER. Привела ли более тщательная сортировка к лучшим результатам лечения пациентов? Это непонятно, написали Тейлор и его команда.

«Будущие исследования должны учитывать эти долгосрочные факторы, чтобы полностью понять последствия поддержки ИИ в принятии клинических решений в чрезвычайных ситуациях», — пишут они.

Один очень интригующий вывод — и он, вероятно, актуален для всех реализаций ИИ — заключается в том, что ИИ должен быть настроен на конкретные условия. Эксперимент проводился в трех отделениях неотложной помощи в определенном регионе США, и это явно играет роль в результатах.

Как писали Тейлор и его команда:

Наши данные свидетельствуют о том, что инструменты ИИ в здравоохранении могут полностью раскрыть свой потенциал с помощью стратегий развертывания, специфичных для конкретного объекта. Такой подход знаменует собой отход от преобладающего акцента на широкой обобщаемости и сигнализирует о сдвиге в сторону более тонкого, контекстно-зависимого применения ИИ в здравоохранении.