Ein früherer Ansatz zur KI, der als Verarbeitung natürlicher Sprache NLP bezeichnet wird, führte laut zwei kürzlich durchgeführten Studien zu einer Verbesserung des Überlebens und zu besseren medizinischen Ergebnissen für Opfer von Verkehrsunfällen, die mit einem Krankenwagen transportiert wurden - nachdem sie sich einer Lebertransplantation unterzogen hatten. vorgestellt während des virtuellen klinischen Kongresses des American College of Surgeons 2020.
VERBINDUNG: AI KANN SPRACHENPROBLEME ERKENNEN, DIE MIT EINEM LEBERFEHLER VERBUNDEN SIND
KI-Modelle können die Überlebenschancen von Lebertransplantaten erhöhen
In beiden Studien wurde analysiert, wie KI gigantische Datenmengen verarbeiten kann, um Chirurgen und anderen Leistungserbringern dabei zu helfen, wichtige Entscheidungen in Einrichtungen am Behandlungsort zu treffen. Berichte MedicalXpress.
Eine der Studien zeigte, wie Forscher der University of Minnesota einen zuvor verwendeten Ansatz - NLP - anwendeten, um den Behandlungsbedarf und die medizinischen Interventionen für 22.539 Kraftfahrzeugunfallpatienten zu kategorisieren, die über Rettungsdienstpersonal auf die von ACS verifizierte Stufe 1 gebracht wurdenTraumazentren in der Stadt Minnesota.
EMS-Leistungsüberprüfungen über KI können Todesfälle reduzieren
Die Studie von 2016 - von den Nationalen Akademien der Wissenschaften, Ingenieurwissenschaften und Medizin - zeigte, dass 20% der Todesfälle aufgrund von medizinischen Verletzungen potenziell vermeidbar waren. Dies ergab einen Qualitätsverlust, den ein Forscher ansprechen wollte.
Leistungsüberprüfungen von EMS-Teams zur Identifizierung potenziell vermeidbarer Todesfälle können die Bemühungen zur Minimierung unnötiger Todesfälle verbessern. "Derzeit ist dieser Prozess zur Leistungsüberprüfung manuell, zeitaufwändig und teuer", sagte Christopher James Tignanelli, MD, FACS und leitender Autorder ersten Studie: "AI ermöglicht eine mögliche Automatisierung dieses Prozesses."
KI in natürlicher Sprache verarbeitet wichtige Daten
NLP ist ein weit verbreitetes KI-Protokoll, mit dem kritische Daten aus geschriebenem und gesprochenem Text extrahiert werden können. In dieser Studie EMS-Personal gab diese Daten als elektronische Aufzeichnung ein - was Teil ihrer Arbeit ist.
Tignanelli ist Assistenzprofessor für Chirurgie, Abteilung für Akutchirurgie an der medizinischen Fakultät der Universität von Minnesota und außerdem angegliederte Fakultät am Institut für Gesundheitsinformatik der Universität von Minnesota.
EMS-Personalaktenprüfungen könnten automatisiert werden
In der ersten Studie überprüften zwei Unfallchirurgen manuell und unabhängig eine zufällige Auswahl von 1% der Patientenakten - und stellten fest, wo eine Behandlung erforderlich war, zusammen mit medizinischen Eingriffen. Bei der Analyse der Genauigkeit des KI-Systems wurden die manuellen Bestimmungen der Chirurgen gegenübergestelltmit denen der NLP-Bestimmungen: "Insgesamt wurde der Algorithmus mit sehr hoher Genauigkeit ausgeführt", sagte Professor Tignanelli, MedicalXpress. Berichte .
Wenn EMS-Mitarbeiter ihre Notizen in elektronische Patientenakten eintragen, überprüfen Aufsichtspersonal ihre Unterlagen in der Regel, um sicherzustellen, dass die Patienten angemessen versorgt werden - normalerweise innerhalb einer Woche oder so. "Das ist ein ziemlich arbeitsintensiver Prozess", sagte der präsentierende Autor Jacob Swann.MD - ein Verbrennungs- und Trauma-Mitarbeiter des Regions Hospital in St. Paul, Minnesota. "Das Ziel dieses Projekts und dessen Validierung war es, viele dieser Notizen zu automatisieren."
Der NLP-Ansatz bewertete diese Notizen mit einem Algorithmus, um die Notizen schwerwiegender medizinischer Eingriffe von weniger schwerwiegenden zu unterscheiden. "Dies kann den manuellen Überprüfungsprozess rationalisieren", berichtet Swann, MedicalXpress. "Es wird nicht mit der Genauigkeitsstufe durchgeführtdas würde es Ihnen ermöglichen, den Arzt herauszunehmen und zu sagen, dass die KI mit vollständiger Genauigkeit bestimmen kann, ob der Standard der Pflege gegeben wurde oder nicht, aber es funktioniert gut. "
'Heiliger Gral' beinhaltet automatisierte Entscheidungshilfe auf dem Weg
Die Ergebnisse von Swann und Kollegen zeigten, dass ungefähr ein Viertel 242 von 936 Patienten, die eine Atemwegsintervention benötigen, tatsächlich einen Patienten erhielten, bevor sie zur weiteren Behandlung ins Krankenhaus kamen - mit ungefähr zwei Dritteln 110 von 170 derjenigen, die dies nicht taten.Um den notwendigen intravenösen Zugang und den erforderlichen Zugang innerhalb des Knochens zu erhalten - so genannter intraossärer Zugang IO - inmitten der kardialen Lebenserhaltung hat IX tatsächlich Zugang, MedicalXpress Berichte .
"Durch die Identifizierung von Systemfehlern können Sie das gesamte Gesundheitssystem verbessern", sagte Swann. "Mit einem AI-Lesealgorithmus können Sie große aggregierte Daten anzeigen und über mehrere Minuten 330.000 Diagramme durchgehen, um bestimmte zu identifizieren."Verbesserungspotentiale - ob es sich um einen intravenösen Zugang bei unseren Patienten handelt oder um Probleme mit der Schienung langer Knochenbrüche - können Sie das Signal vom Rauschen trennen und dann herausfinden, wo das Problem liegt. "
Für Swann ist der "heilige Gral" die Entwicklung eines KI-System in der Lage, EMS-Mitarbeiter unterwegs zu hören und zu beobachten, um sie bei komplexen und schwierigen Entscheidungsprozessen mithilfe von Echtzeitunterstützung zu überwachen und zu unterstützen.
AI-Modell zeigte 80% Überleben einen Monat nach Lebertransplantation
An der zweiten AI-Studie nahmen Forscher des Baylor College of Medicine in Houston teil und testeten die Fähigkeit von vier verschiedenen Modellen des maschinellen Lernens, das Überleben nach Lebertransplantationen vorherzusagen. Die beiden Modelle mit einer hohen Genauigkeit zur Vorhersage des Überlebens von Lebertransplantationen werden als bezeichnetAdaBoost- und Random Forest-Modelle.
Das Random Forest RF -Modell kombiniert zwei Lernmethoden, kombiniert die Ergebnisse zahlreicher Entscheidungsbäume und sagt ein Ergebnis mit "Mehrheitsgewinnen" voraus, erklärte Rowland Pettit, Hauptautor der Studie und Doktorand in Baylor.
Die zweite Studie führte die Auswahl aller 109.742 Patienten durch, bei denen eine Lebertransplantation aus der Datenbank des United Network of Organ Sharing durchgeführt wurde - seit sie 1984 konzipiert wurde. Das RF-Modell eine Grafik zeigte eine Genauigkeit - das ist der Bereich unterdie Kurve des Diagramms - von 80% für die Vorhersage des Überlebens bis zu einem Monat und einer Überlebenschance von 79% bis zu drei Monaten, 75% für ein Jahr und 73% für das Überleben von drei und fünf Jahren.
Bemerkenswerterweise zeigten keine anderen Modelle eine vorhergesagte Überlebensrate von mehr als 70%.
"Die am leichtesten zugängliche Anwendung dieser Modelle wäre die Regulierung, bei der Kliniker sofort Feedback zu ihren Ergebnissen im vergangenen Jahr und zu ihrer Leistung im Vergleich zu anderen Zentren erhalten", sagte Pettit. "In der Lage zu sein, genau vorherzusagen, obEin Patient sollte überlebt haben oder nicht, ist entscheidend, um dann genau Feedback zu geben. "
KI-Unterstützung, kein Ersatz durch den Arzt, sondern Entscheidungshilfe
Diese Art von KI-Modell könnte - zusätzlich zu den Arbeitsabläufen von Ärzten - auch in elektronische Patientenakten integriert werden, um nützliche Benchmarks zu generieren, fügte Pettit hinzu. "Mit einem integrierten Modell wäre es sehr einfach, Vorhersagen für jeden Patienten bei einer Lebertransplantation durchzuführenWarteliste in Echtzeit und bestimmen Sie die Wahrscheinlichkeit, dass jeder Patient ein, drei oder fünf Jahre alt ist ", sagte er." Dieser Schritt besteht nicht darin, die Entscheidung für den Kliniker zu treffen, sondern ein weiteres Entscheidungsinstrument für die Unterstützung des Klinikers hinzuzufügenihnen quantitative Daten zur Verwendung bei Entscheidungen über die Zuweisung von Organen zu geben. "
Da KI in medizinische Infrastrukturen integriert ist und einige sich nicht sicher sind, ob das Wohlbefinden des Menschen der Automatisierung übergeben werden soll, ist es wichtig, sich den Grund für die Automatisierung zu merken, wenn es darum geht. AI-Implementierung : Es könnte Leben retten.