Ένα γεμάτο νοσοκομείο δεν είναι ποτέ καλό για ασθενείς ή γιατρούς, καθώς μπορεί να οδηγήσει σε καθυστερήσεις στη θεραπεία και, χειρότερα, σε περισσότερους θανάτους. Ο συνωστισμός στα νοσοκομεία είναι ένα σοβαρό ζήτημα που οι ειδικοί στον τομέα της υγειονομικής περίθαλψης προσπαθούν να αποφύγουν καθημερινά, λαμβάνοντας κρίσιμες αποφάσεις, όπως οι εισαγωγές στα επείγοντα.
Η τεχνητή νοημοσύνη ενισχύει τη λήψη αποφάσεων στο δωμάτιο έκτακτης ανάγκης
Μια νέα μελέτη από ερευνητές από την Ιατρική Σχολή Icahn στο Όρος Σινά στοχεύει να βοηθήσει τους γιατρούς σε αυτήν την κατάσταση ζωής ή θανάτου χρησιμοποιώντας τεχνητή νοημοσύνη για την ανάλυση δεδομένων και την πρόβλεψη εάν ένας ασθενής που επισκέπτεται το δωμάτιο έκτακτης ανάγκης θα πρέπει να εισαχθεί στο νοσοκομείο.
Με τις Ηνωμένες Πολιτείες να έχουν αναλογία 28,2 γιατρών προς 10.000 ασθενείς, τεχνολογίες όπως αυτή υπόσχονται να εξορθολογίσουν τις λειτουργίες των νοσοκομείων και να εξασφαλίσουν τη φροντίδα κάθε ασθενή. Μοντέλα AI και ο αντίκτυπός τους στην υγειονομική περίθαλψη.
Οι ερευνητές ελπίζουν να μειώσουν το βάρος για τους γιατρούς επιτρέποντας σε προηγμένα μεγάλα γλωσσικά μοντέλα όπως το GPT-4 να βοηθήσουν με αυτές τις αποφάσεις με ακρίβεια, ακόμη και με περιορισμένα δεδομένα.
Για να δοκιμάσουν αυτή την ιδέα, οι ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για να αναλύσουν υπάρχοντα δεδομένα ασθενών, όπως η θερμοκρασία του σώματος, η αρτηριακή πίεση, οι σφυγμοί και οι ρυθμοί αναπνοής, καθώς και σημειώσεις που έγιναν από επαγγελματίες υγείας. Εξασφάλισαν ότι δεν συμπεριλήφθηκαν αναγνωρίσιμα δεδομένα ασθενών.
Μετά από επεξεργασία δεδομένων από περισσότερες από 864.000 επισκέψεις στα επείγοντα περιστατικά, η τεχνητή νοημοσύνη έδωσε ένα πολλά υποσχόμενο αποτέλεσμα: 159.857 ασθενείς, ή λίγο περισσότερο από το 18 τοις εκατό, αναγνωρίστηκαν ότι χρήζουν εισαγωγής.
Ο Δρ Eyal Klang, συν-συγγραφέας της μελέτης και Διευθυντής του Generative AI Research Program στο Icahn Mount Sinai, εξέφρασε τη βεβαιότητα ότι μοντέλα τεχνητής νοημοσύνης όπως το GPT-4 θα μπορούσαν να βελτιώσουν τη λήψη αποφάσεων των επαγγελματιών υγείας σε περιβάλλοντα μεγάλου όγκου όπως η έκτακτη ανάγκη δωμάτιο.
Ο Δρ Κλάνγκ πρόσθεσε ότι τα αποτελέσματα της μελέτης ήταν εκπληκτικά, καθώς το μοντέλο τεχνητής νοημοσύνης ήταν σε θέση να αιτιολογήσει τέτοιες κρίσιμες αποφάσεις.
Η μελέτη σημείωσε επίσης ότι αυτά τα ευρήματα ανοίγουν άλλες δυνατότητες, όπως η κλιμάκωση των μοντέλων AI ώστε να περιλαμβάνουν παραδοσιακές προβλέψεις μηχανικής μάθησης, κάτι που υπόσχεται να βελτιώσει την απόδοση.
Το μέλλον της τεχνητής νοημοσύνης στις Λειτουργίες Υγείας
Οι ερευνητές εξήγησαν ότι παρά τα πολλά υποσχόμενα αποτελέσματα, η χρήση τεχνητής νοημοσύνης για τον καθορισμό των εισαγωγών από ασθενείς στα επείγοντα θα παραμείνει ένα εργαλείο για να βοηθήσει τους γιατρούς και δεν θα αντικαταστήσει τη λήψη αποφάσεων από ειδικούς.
Είναι σημαντικό ότι οι ερευνητές σημείωσαν ότι η μελέτη καταδεικνύει πώς τα μεγάλα γλωσσικά μοντέλα (LLM) μπορούν να ενσωματωθούν σε λειτουργίες υγειονομικής περίθαλψης. Λόγω των δυνατοτήτων ταχείας εκπαίδευσης τους, μπορούν να παρέχουν πολύτιμες γνώσεις ακόμη και σε πολύπλοκα περιβάλλοντα.
Ο Brendan Carr, MD, MA, MS, συν-συγγραφέας της μελέτης και γιατρός στα επείγοντα, ο οποίος είναι επίσης Διευθύνων Σύμβουλος του Mount Sinai Health System, πρόσθεσε ότι αυτή η έρευνα θέτει τις βάσεις για περαιτέρω διερεύνηση της ενσωμάτωσης της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη, όπως τα διαγνωστικά , επεξεργασία, λειτουργικές και διοικητικές εργασίες που απαιτούν συνεχή βελτιστοποίηση.