Yenilikçi Bir Araç: AI Destekli Erken Uyarı Sistemi
Bilim insanları, hemşirelerin vardiya notlarını analiz etmek için AI destekli bir araç geliştirdi. Bu sistem, geleneksel yöntemlerden çok daha önce, hastaların sağlık durumunun kötüleşmekte olduğunu veya “çökmek” üzere olduğunu tespit edebiliyor.
CONCERN Erken Uyarı Sistemi (EWS)
İlk denemelerde, CONCERN Erken Uyarı Sistemi (CONCERN EWS) adı verilen bu AI aracı, bir hastanın ölüm riskini %35’ten fazla azaltırken, hastanede kalış süresini ortalama bir buçuk gün kısaltmayı başardı. 2020 ile 2022 yılları arasında gerçekleştirilen klinik deneyler, 60.000’den fazla hasta üzerinde yapıldı ve CONCERN EWS kullanan hastanelerde sepsis riskinde %7.5’lik bir azalma gözlemlendi.
Hastane Olanaklarını İyileştirmek
Bulgarılar, geniş çapta tekrarlandığında hastanelere, hasta sonuçlarını iyileştirmenin yanı sıra, inpatient bakım ile ilişkili maliyetleri de azaltmanın güvenilir bir yolunu sunabilir. Araştırma ekibi, Columbia Üniversitesi ve Pennsylvania Üniversitesi’nden bilim insanları tarafından yönetildi. Nature Medicine dergisinde yayımlanan çalışmada, gelişmiş makine öğrenimi algoritmasının hemşirelerin tıbbi gözlemlerini nasıl önceliklendirdiği belirtildi.
Hemşireler, hastalarla sık etkileşimde bulundukları için, sağlık durumlarındaki önemli değişiklikleri sıklıkla fark edebilirler. CONCERN EWS, hemşirelerin yaptığı bu küçük ama önemli kararları dikkate alarak, sağlık durumunu doğru bir şekilde tahmin etmeye çalışıyor.
Doğal Dil ve Verilerin Anlamı
Sistem, hemşirelerin elektronik sağlık kayıtlarındaki (EHR) notları okuyarak, doğal dili anlayabiliyor. Ancak, ana yenilik sağlık kayıtlarıyla bağlantılı olan meta verileri birleştirmekte yatıyor. Örneğin, hemşire bir hastanın renginin hafif değiştiğini, uyuşuk göründüğünü veya bilişsel olarak farklı bir durumda olduğunu fark ederse, hastayı daha sık kontrol etmeye karar verebilir veya belirli ilaçları vermekte çekimser kalabilir.
CONCERN EWS, EHR’ye ait her kaydın meta verilerini analiz ederek, zor durumların varlığına işaret eden kalıpları arar. Hemşirelerin hastayı normalden daha sık değerlendirdiği ve bu kontrollerin alışılmadık saatlerde yapıldığı durumları tespit eder. Alarming kalıpları fark ettiğinde, sağlık ekiplerine hastanın sağlığında bir kötüleşme yaşanabileceğine dair uyarılarda bulunur.
Erken Müdahale Fırsatları
Hemşirelerin gözünden ve kayıtlarından hastaları analiz eden bu makine öğrenimi modeli, hastanın hastanede kalış süresini %11 oranında azalttı. Çalışmanın baş yazarı, Columbia Üniversitesi’nde biyomedikal informatik ve hemşirelik alanında doçent olan Sarah Rossetti, bu durumu vurguladı.
Araştırmacılar, algoritmalarını geliştirmek için NVIDIA RTX A2000 12GB Grafik Kartları kullandılar. Klinik denemelerde, CONCERN EWS, Massachusetts ve New York’taki iki hastane sisteminde dört hastanede uygulandı. Bu sistem, geleneksel yöntemlerden ortalama 42 saat daha önce sorunları tespit etmeyi başardı. Bu sayede sağlık ekipleri, hastanın durumunun tehlikeye girmeden müdahale etme şansı buldular.
Gelecekteki Projeler ve Destek
Mayıs ayında elde edilen umudu taşan sonuçlar, araştırma ekibinin Amerikan Hemşireler Vakfı tarafından her yıl verilen “Hemşireliği Yeniden Düşünme İnisiyatifi” ödüllerinden birini kazanmasına yardımcı oldu. Her bir alıcı, toplam 1.5 milyon dolarlık hibe programından pay alacak.
Rossetti’nin bildirdiğine göre, ekip, Pennsylvania Üniversitesi’nden Kenrick Cato ile birlikte, ayırdıkları bütçeyi Çocuk Hastanesi Colorado ile işbirliği yaparak mevcut modelin pediatrik versiyonunu geliştirmek için kullanacak ve bunu toplum hastanelerinde değerlendirecekler.
Daha fazla bilgi için buraya tıklayarak CONCERN EWS hakkında haberlere göz atabilir veya teknolojiyi anlatan bir videoyu izleyebilirsiniz.
