آخرین مطالب

استفاده از هوش مصنوعی برای حل یکی از پایدارترین مشکلات مراقبت های بهداشتی


هوش مصنوعی

اعتبار: دامنه عمومی Pixabay/CC0

تصویربرداری پزشکی یکی از پرکاربردترین ابزارهای تشخیصی در مراقبت های بهداشتی است که ارائه دهندگان هر روز ده ها مطالعه تصویربرداری را برای بیماران خود سفارش می دهند. این مطالعات برای به دست آوردن اطلاعات در مورد علائم خاصی که یک بیمار دارد یا وضعیتی که برای آن تحت درمان است به‌کار می‌رود، اما اغلب یافته‌های تصادفی غیرمرتبط با نشانه اصلی مطالعه دارند.

در حالی که یافته‌های تصادفی در گزارش رادیولوژی ذکر می‌شوند، این یافته‌ها اغلب توسط ارائه‌دهنده سفارش‌دهنده مورد توجه قرار نمی‌گیرند زیرا آنها بر پرداختن به هدف اصلی مطالعه تمرکز می‌کنند. در حالی که بسیاری از این یافته ها خوش خیم هستند، برخی ممکن است به بدخیمی تبدیل شوند که پیگیری به موقع برای جلوگیری از آسیب طولانی مدت به سلامت بیمار ضروری است.

پیگیری تأخیر و از دست رفته در یافته های تصویربرداری تشخیصی اتفاقی یکی از پرکارترین مشکلات در مراقبت های بهداشتی است که به میلیون ها بیمار در سراسر کشور آسیب می رساند و هزینه ها را بالا می برد. در سراسر کشور، بیمارستان‌ها و سیستم‌های بهداشتی سالانه حدود 43 میلیون دلار صرف رسیدگی به دعاوی مربوط به پیگیری از دست رفته یافته‌های ریه می‌کنند.

موزیار اعتمادی، دکترای پزشکی، مدیر پزشکی، گفت: «این مشکل یک مطالعه موردی آسیب قابل پیشگیری است: یک یافته مستند، اما ناشناخته وجود دارد که می‌توانست به مداخله‌ای معنادار منجر شود، اما درعوض بیماری بیمار بدون کنترل ایجاد می‌شود.» فناوری های پیشرفته در پزشکی شمال غربی

با تشخیص تهدید جدی برای ایمنی بیمار و ریسک مالی، Northwestern Medicine یک تیم چند رشته ای را با اعضایی از رادیولوژی، کیفیت، ایمنی بیمار، بهبود فرآیند، مراقبت های اولیه، پرستاری، انفورماتیک و دیگران بسیج کرد تا به این موضوع رسیدگی کنند. این تیم سیستمی با استفاده از هوش مصنوعی (AI) ادغام شده در پرونده الکترونیک سلامت (EHR) ایجاد کرد که تقریباً روی هر مطالعه تصویربرداری سفارش داده شده در سیستم سلامت 11 بیمارستان اجرا می شود. در صورت لزوم، هوش مصنوعی هشداری را در EHR ایجاد می‌کند که به وضوح یافته‌ها و پیگیری‌های توصیه‌شده را مستقیماً در جریان کاری پزشک سفارش‌دهنده نمایش می‌دهد.

هنگامی که سیستم یک هشدار را راه اندازی کرد، سپس تکمیل پیگیری توصیه شده را برای یافته های اتفاقی و مورد انتظار دنبال می کند. اگر اقدامی برای برنامه ریزی تصویربرداری اضافی یا سایر پیگیری ها انجام نشود، هشدار دیگری برای جلوگیری از تاخیر در مراقبت و بهبود نتایج بیمار ارسال می شود.

Northwestern Medicine برای اولین بار این فناوری را در دسامبر 2020 برای جستجوی یافته های ریه و آدرنال اجرا کرد، سپس آن را برای بیش از یک سال آزمایش کرد. نتایج آن مطالعه امروز در منتشر شده است نوآوری های کاتالیست NEJM در ارائه مراقبت، که یکی از اولین مطالعات آینده نگر یک ابزار هوش مصنوعی است که در عمل بالینی به کار گرفته شده است.

در کاتالیزور مطالعه به داده‌های یک ساله پس از اجرای زنده سیستم هوش مصنوعی در دسامبر 2020 نگاه می‌کند. بیش از 460000 مطالعه تصویربرداری غربالگری شدند و 23000 مورد به‌عنوان حاوی توصیه‌های پیگیری ریه علامت‌گذاری شدند که نشان‌دهنده نرخ 5 درصدی از وقوع یافته‌های ریوی در مطالعات تصویربرداری مربوطه است. این 68 یافته در روز است که نیاز به پیگیری دارد.

دکتر اعتمادی گفت: «داده‌های ما نشان می‌دهد که این یافته‌های تصادفی چقدر در مطالعات تصویربرداری تشخیصی رایج هستند و بیشتر از نیاز به یافتن راه‌حلی مقیاس‌پذیر حمایت می‌کند». تیم ما یک سیستم پردازش زبان طبیعی (NLP) یکپارچه پرونده سلامت الکترونیکی (EHR) را برای شناسایی خودکار یافته‌های رادیوگرافی که نیاز به پیگیری دارند، ایجاد کرد. پس از شناسایی، هوش مصنوعی هشدارهای خودکار را هم به پزشکان و هم برای بیماران برای برنامه‌ریزی و پیگیری تکمیل پیگیری توصیه‌شده ایجاد می‌کند. -بالا.”

نمونه ای از نحوه عملکرد سیستم این است که بیمار برای پنومونی رادیوگرافی قفسه سینه می گیرد و یک ندول ریه توسط رادیولوژیست شناسایی می شود که در گزارش رادیولوژی یادداشت می کند و یافته ریه را تایید می کند و سی تی قفسه سینه را به عنوان پیگیری توصیه می کند. مدل‌های هوش مصنوعی یادداشت رادیولوژیست در مورد یافته‌های ریه و پیگیری توصیه‌شده را شناسایی می‌کنند، بنابراین چارچوب یکپارچه سپس یک توصیه‌ی بهترین تمرین (BPA) را برای هشدار به پزشک دستور دهنده از یافته‌ها آغاز می‌کند. BPA همچنین گردش‌های کاری را ارائه می‌کند که در آن می‌توان مطالعات بعدی را در صورت لزوم سفارش داد. همه اینها مستقیماً در EHR رخ می دهد و نیازی به باز کردن برنامه اضافی توسط پزشک ندارد.

نویسنده اصلی این مطالعه جین دومینگو، MBA، MS، CCC-SLP، مدیر برنامه، گفت: «یک تصور اشتباه رایج این است که هوش مصنوعی برای تصمیم‌گیری بالینی به کار می‌رود، اما اینطور نیست، تصمیم‌های بالینی توسط رادیولوژیست و پزشک متخصص گرفته می‌شود. ، دفتر بهبود عملکرد بالینی سیستم در پزشکی شمال غربی. این سیستم برای شناسایی گزارش‌ها با یافته‌ها و ساده‌سازی گردش کار مرتبط، که قبلاً وجود نداشت، راه‌اندازی شد. این سیستم تصمیم‌گیری پزشک را به جای جابجایی پزشک تسهیل می‌کند. بخش مهمی از راه‌اندازی ما ملاقات با پزشکان و کمک به آنها برای درک بود. چگونه آنها را در تصمیم گیری های بالینی حمایت می کند.”

علاوه بر هشدار پزشک، بیمار همچنین اعلانی را در پورتال بیمار آنلاین خود با نتیجه مطالعه تصویربرداری دریافت می کند. بیمارانی که از پورتال بیمار آنلاین استفاده نمی‌کنند یا پزشک متخصص طب شمال غربی ندارند، مستقیماً توسط تیم پرستاران پیگیری می‌شوند تا از دریافت مراقبت‌های مناسب اطمینان حاصل کنند.

دومینگو می‌گوید: «به عنوان بیماران، ما اغلب معتقدیم که «هیچ خبری نیست، خبر خوبی است» و اگر پس از آزمایش از پزشک خود چیزی نشنیدیم، معمولاً تصور می‌کنیم همه چیز خوب است و به‌طور پیش‌گیرانه پیگیری نمی‌کنیم. “با ایجاد اطلاع رسانی به بیمار در فرآیند خود، با ایجاد بیماران آگاه که می توانند از خود دفاع کنند، لایه دیگری از ایمنی را اضافه می کنیم.”

تمام عناصر این سیستم به طور کامل در داخل در Northwestern Medicine ساخته شدند. یکی از سخت‌ترین عناصر ساخت یک هوش مصنوعی، فرآیند «برچسب‌گذاری» است که نیاز به دسته‌بندی حجم عظیمی از داده‌ها توسط کارشناسان بالینی دارد.

دکتر اعتمادی توضیح داد: «معمولاً برچسب‌گذاری داده‌ها توسط فروشندگان شخص ثالث انجام می‌شود و به زمان و منابع مالی زیادی نیاز دارد که اغلب نتایج متفاوتی دارد. “در Northwestern Medicine، ما از منابع خودمان برای تکمیل این بخش از پروژه استفاده کردیم – پرستاران و سایر کارکنان خط مقدم که در محدودیت های کاری سبک بودند و قادر به انجام مسئولیت های بالینی خود نبودند. این کارکنان به عنوان حاشیه نویس آموزش دیدند و وظیفه انتخاب را داشتند. متن مربوطه از گزارش‌های رادیولوژی انتخاب شده است. این منجر به کیفیت بالاتر داده‌ها و بررسی کارشناسان به روشی مقرون‌به‌صرفه شد.”

همراه با کاتالیزور مطالعه، Northwestern Medicine در حال انتشار یک وب سایت همراه است که روند ساخت و استقرار این سیستم را مشخص می کند تا سایر بیمارستان ها و سیستم های بهداشتی بتوانند برنامه های مدیریت نتایج مشابهی را اجرا کنند. سیستم بهداشت در حال حاضر در حال کار بر روی گسترش این سیستم به یافته های کبدی، تیروئیدی و تخمدانی است که نیاز به پیگیری دارند.


عوامل بیمار در میزان پیگیری تصویربرداری نقش دارند


اطلاعات بیشتر:
جین دومینگو و همکاران، جلوگیری از مراقبت های تاخیری و از دست رفته با استفاده از هوش مصنوعی برای شروع پیگیری تصویربرداری رادیولوژی، کاتالیست NEJM (2022). DOI: 10.1056/CAT.21.0469

وب سایت همراه: mozzilab.github.io/NM_Radiology_AI/

ارائه شده توسط Northwestern Memorial Health Care

نقل قول: استفاده از هوش مصنوعی برای حل یکی از پایدارترین مشکلات مراقبت های بهداشتی (2022، 16 مارس) در 16 مارس 2022 از https://medicalxpress.com/news/2022-03-ai-health-problems.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.