Nieuwe toepassingen van AI in de Amerikaanse gezondheidszorg hebben volgens onderzoekers succesvol de overleving kunnen voorspellen bij verkeersslachtoffers die per ambulance worden vervoerd, evenals de overlevingskansen na levertransplantatie. De twee onderzoeken zijn gepresenteerd op het virtuele American College of Surgeons Clinical Congres 2020.
Beide onderzoeken evalueerden hoe AI enorme hoeveelheden gegevens kan verzamelen om de besluitvorming door chirurgen en andere zorgverleners op het zorgpunt te ondersteunen.
NLP
In één onderzoek pasten onderzoekers van de Universiteit van Minnesota een eerder gepubliceerde AI-benadering toe die bekend staat als natuurlijke taalverwerking (NLP) 1 om de behandelingsbehoeften en medische interventies te categoriseren voor 22.529 motorvoertuigongevallen die door de medische noodhulpdienst (EMS) naar ACS werden vervoerd. geverifieerde traumacentra van niveau I in Minnesota. Volgens een studie uit 2016 van de National Academies of Sciences, Engineering en Medicine is 20 procent van de sterfgevallen door medische verwondingen mogelijk te voorkomen2, wat een kwaliteitskloof vertegenwoordigt die de onderzoekers wilden aanpakken.
Vermijdbare sterfgevallen
Het beoordelen van de prestaties van EMS-teams om potentieel vermijdbare sterfgevallen te profileren, kan inspanningen voor kwaliteitsverbetering mogelijk maken om deze sterfgevallen te verminderen. “Momenteel is dit proces voor prestatiebeoordeling handmatig, tijdrovend en duur”, zegt senior auteur Christopher James Tignanelli, MD, FACS. “AI maakt mogelijke automatisering van dit proces mogelijk.” NLP is een AI-protocol dat belangrijke gegevens extraheert uit gesproken of geschreven tekst die providers – EMS-personeel in deze studie – invoeren in het elektronische dossier als een belangrijk onderdeel van hun rapport. Dr. Tignanelli is een assistent-professor chirurgie, afdeling acute chirurgie, aan de University of Minnesota Medical School, en een aangesloten faculteit van het Institute for Health Informatics aan de University of Minnesota.
Traumachirurgen
In deze studie beoordeelden twee traumachirurgen onafhankelijk en handmatig een willekeurige selectie van 1 procent van de patiëntendossiers en bepaalden de behandelingsbehoeften en medische interventies. Om de nauwkeurigheid van het AI-systeem te evalueren, werden de handmatige bepalingen vergeleken met de NLP-bepalingen. “Over het algemeen presteerde het algoritme met een zeer hoge nauwkeurigheid”, zei Dr. Tignanelli.
Arbeidsintensief proces
Typisch nadat ambulancepersoneel hun aantekeningen in het elektronische patiëntendossier heeft ingevoerd, controleert het toezichtpersoneel deze en bepaalt of de patiënt de juiste zorg heeft gekregen, meestal een week of zo daarna. “Dat is een vrij arbeidsintensief proces”, zei presenterende auteur Jacob Swann, MD, een brandwonden- en trauma-fellow bij het Regions Hospital in St. Paul, Minnesota. “Het doel van dit project en wat het valideerde, was om veel van deze projecten te automatiseren. notities. ”
Algoritme
De NLP-benadering heeft die notities door een algoritme geleid om de notities van de daaruit voortvloeiende medische interventies te scheiden van de minder consequente. “Dat kan het handmatige beoordelingsproces stroomlijnen”, zei Dr. Swann. “Het wordt niet uitgevoerd op het nauwkeurigheidsniveau waarmee je de arts eruit zou kunnen halen en kunt zeggen dat AI met volledige nauwkeurigheid kan bepalen of de standaardzorg al dan niet is gegeven, maar het presteert wel goed.”
Luchtweginterventie
De AI-pijplijn die Dr.Swann en zijn collega’s bestudeerden, stelden vast dat slechts ongeveer een kwart (242 van de 936) patiënten die een luchtweginterventie nodig hadden, er daadwerkelijk een kregen voordat ze in het ziekenhuis aankwamen, en dat ongeveer tweederde (110 van de 170) van degenen die had geen adequate intraveneuze toegang en had toegang tot het bot nodig, bekend als intraossale (IO) toegang, tijdens de voorgeschiedenis kreeg cardiale levensondersteuning wel IO-toegang.
Probleem
“Door systemische fouten te identificeren, kun je het hele gezondheidssysteem verbeteren”, zei Dr. Swann. “ De mogelijkheid hebben om grote geaggregeerde gegevens te bekijken en door 330.000 grafieken te gaan gedurende enkele minuten met een AI-leesalgoritme, om specifieke gebieden voor mogelijke verbetering te identificeren – of het nu gaat om intraveneuze toegang bij onze patiënten of problemen met het spalken van lange botbreuken – stelt je in staat het signaal van de ruis te scheiden en vervolgens uit te zoeken waar het probleem ligt. ”
Besluitvorming
De ‘heilige graal’, merkte dr. Swann op, is om een AI-systeem te hebben dat ambulancepersoneel kan luisteren en observeren tijdens zorg onderweg en kan helpen bij complexe besluitvorming door in realtime zorgopties aan te bevelen.
Levertransplantatie
Voor de tweede AI-studie testten onderzoekers van Baylor College of Medicine, Houston, vier verschillende machine-learningmodellen om de overleving na levertransplantatie te voorspellen. De twee modellen die een hoge nauwkeurigheid vertoonden voor het voorspellen van overleving, staan bekend als de Random Forest- en AdaBoost-modellen. Hoofdauteur Rowland Pettit, MD-PhD-kandidaat bij Baylor, legde uit dat Random Forest (RF) een ensemble-leermethode is die de output van meerdere beslissingsbomen combineert en een resultaat voorspelt door een “meerderheid wint” -benadering.
Voorspelbaarheid
De modellen hielden in totaal rekening met 324 ziektekenmerken om de overlevingskansen te bepalen. De sterkste factoren waren de ernst van de ziekte en het ziekteverloop van de ontvanger, zei de heer Pettit.
De studie selecteerde alle 109.742 volwassen patiënten die één levertransplantatie hadden ondergaan uit de United Network of Organ Sharing-database sinds de aanvang in 1984. Het RF-model vertoonde een nauwkeurigheid, gerapporteerd als gebied onder de curve, van 80 procent voor het voorspellen van overleving na één maand, 79 procent na drie maanden, 75 procent na één jaar en 73 procent na drie en vijf jaar. Geen van de andere modellen vertoonde een voorspelbaarheid van meer dan 70 procent.
Regulering
“De meest gemakkelijk toegankelijke toepassing van deze modellen zou zijn voor regulering, waarbij artsen onmiddellijk feedback krijgen over hun resultaten van het afgelopen jaar en hoe zij en hun centra presteerden in vergelijking met anderen”, aldus Pettit. “Nauwkeurig kunnen voorspellen of een patiënt het had moeten overleven of niet, is cruciaal om vervolgens nauwkeurig feedback te geven.”
Dossiersystemen
Dit type AI-model kan ook worden geïntegreerd met elektronische medische dossiersystemen en workflows voor artsen om benchmarks te bieden, voegde hij eraan toe. “Met een geïntegreerd model zou het heel gemakkelijk zijn om in realtime voorspellingen uit te voeren voor elke patiënt op een wachtlijst voor levertransplantaties en de waarschijnlijkheid te bepalen dat elke patiënt na één, drie of vijf jaar leeft”, zei hij. “Deze stap is niet om de beslissing voor de clinicus te nemen, maar om een extra besluitvormingsinstrument voor hulp van de clinicus toe te voegen om hem kwantitatieve gegevens te geven voor gebruik bij beslissingen over de toewijzing van organen.”
