Κάθε χρόνο, τουλάχιστον 1,7 εκατομμύρια ενήλικες στις Ηνωμένες Πολιτείες αναπτύσσουν σήψη και περίπου 350.000 θα πεθάνουν από τη σοβαρή μόλυνση του αίματος που μπορεί να προκαλέσει μια απειλητική για τη ζωή αλυσιδωτή αντίδραση σε ολόκληρο το σώμα. Σε μια νέα μελέτη, που δημοσιεύτηκε στο npj Digital Medicine, ερευνητές της Ιατρικής Σχολής του Πανεπιστημίου της Καλιφόρνια στο Σαν Ντιέγκο χρησιμοποίησαν ένα μοντέλο τεχνητής νοημοσύνης (AI) στα τμήματα επειγόντων περιστατικών στο UC San Diego Health, προκειμένου να εντοπίσουν γρήγορα τους ασθενείς που κινδυνεύουν για σήψη.
Η μελέτη διαπίστωσε ότι ο αλγόριθμος AI, με τίτλο COMPOSER και αναπτύχθηκε προηγουμένως από την ερευνητική ομάδα, οδήγησε σε μείωση της θνησιμότητας κατά 17%. “Το μοντέλο COMPOSER χρησιμοποιεί δεδομένα σε πραγματικό χρόνο για να προβλέψει τη σήψη πριν από εμφανείς κλινικές εκδηλώσεις”, δήλωσε ο συν-συγγραφέας της μελέτης Gabriel Wardi, MD, επικεφαλής του Τμήματος Κρίσιμης Φροντίδας στο Τμήμα Επείγουσας Ιατρικής στο UC San Diego School of Medicine. . «Λειτουργεί αθόρυβα και με ασφάλεια στα παρασκήνια, παρακολουθώντας συνεχώς κάθε ασθενή για σημεία πιθανής σήψης».
Μόλις ένας ασθενής κάνει check in στο τμήμα επειγόντων περιστατικών, ο αλγόριθμος αρχίζει να παρακολουθεί συνεχώς περισσότερες από 150 διαφορετικές μεταβλητές ασθενών που θα μπορούσαν να συνδέονται με τη σήψη, όπως εργαστηριακά αποτελέσματα, ζωτικά σημεία, τρέχοντα φάρμακα, δημογραφικά στοιχεία και ιατρικό ιστορικό. Σε περίπτωση που ένας ασθενής εμφανίσει πολλαπλές μεταβλητές, με αποτέλεσμα υψηλό κίνδυνο μόλυνσης από σήψη, ο αλγόριθμος AI θα ειδοποιήσει το νοσηλευτικό προσωπικό μέσω του ηλεκτρονικού αρχείου υγείας του νοσοκομείου. Στη συνέχεια, η νοσηλευτική ομάδα θα επανεξετάσει με τον γιατρό και θα καθορίσει τα κατάλληλα σχέδια θεραπείας.
«Αυτοί οι προηγμένοι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να ανιχνεύσουν μοτίβα που δεν είναι αρχικά εμφανή στο ανθρώπινο μάτι», δήλωσε ο συν-συγγραφέας της μελέτης Shamim Nemati, Ph.D., αναπληρωτής καθηγητής βιοϊατρικής πληροφορικής και διευθυντής προγνωστικής ανάλυσης στο UC San Diego School of Medicine. “Το σύστημα μπορεί να εξετάσει αυτούς τους παράγοντες κινδύνου και να καταλήξει σε μια εξαιρετικά ακριβή πρόβλεψη της σήψης. Αντίθετα, εάν τα πρότυπα κινδύνου μπορούν να εξηγηθούν από άλλες συνθήκες με μεγαλύτερη εμπιστοσύνη, τότε δεν θα σταλούν ειδοποιήσεις.”
Η μελέτη εξέτασε περισσότερες από 6.000 εισαγωγές ασθενών πριν και μετά την ανάπτυξη του COMPOSER στα τμήματα επειγόντων περιστατικών στο Ιατρικό Κέντρο UC San Diego στο Hillcrest και στο Ιατρικό Κέντρο Jacobs στη La Jolla. Είναι η πρώτη μελέτη που αναφέρει βελτίωση στα αποτελέσματα των ασθενών χρησιμοποιώντας ένα μοντέλο τεχνητής νοημοσύνης βαθιάς μάθησης, το οποίο είναι ένα μοντέλο που χρησιμοποιεί τεχνητά νευρωνικά δίκτυα ως έλεγχο και ισορροπία προκειμένου να εντοπίζονται με ασφάλεια και σωστά οι ανησυχίες για την υγεία των ασθενών.
Το μοντέλο είναι σε θέση να εντοπίσει σύνθετους και πολλαπλούς παράγοντες κινδύνου, οι οποίοι στη συνέχεια εξετάζονται από την ομάδα υγειονομικής περίθαλψης για επιβεβαίωση. «Χάρη σε αυτό το μοντέλο τεχνητής νοημοσύνης οι ομάδες μας μπορούν να παρέχουν σωτήρια θεραπεία σε ασθενείς με σήψη πιο γρήγορα», δήλωσε ο Wardi, γιατρός επειγόντων περιστατικών και εντατικής θεραπείας στο UC San Diego Health. Το COMPOSER ενεργοποιήθηκε τον Δεκέμβριο του 2022 και τώρα χρησιμοποιείται επίσης σε πολλές νοσοκομειακές μονάδες νοσηλείας σε όλο το UC San Diego Health.
Επιπλέον, το σύστημα υγείας κυκλοφόρησε πρόσφατα ένα πιλοτικό πρόγραμμα στο οποίο το Epic, ένα σύστημα ηλεκτρονικών αρχείων υγείας που βασίζεται σε σύννεφο και η ενσωμάτωση τεχνητής νοημοσύνης της Microsoft δημιουργούν αυτόματα πιο συμπονετικά μηνύματα μέσω του ChatGPT, μετριάζοντας αυτό το πρόσθετο βήμα από τους γιατρούς και τους φροντιστές, ώστε να μπορούν να επικεντρωθούν στον ασθενή.
«Η ενσωμάτωση της τεχνολογίας AI στο ηλεκτρονικό αρχείο υγείας συμβάλλει στην εκπλήρωση της υπόσχεσης για ψηφιακή υγεία και η UC San Diego Health είναι ηγέτης σε αυτόν τον τομέα για να διασφαλίσει ότι οι λύσεις με τεχνητή νοημοσύνη υποστηρίζουν υψηλή αξιοπιστία στην ασφάλεια των ασθενών και την ποιοτική υγειονομική περίθαλψη.” είπε ο συν-συγγραφέας της μελέτης Christopher Longhurst, MD, εκτελεστικός διευθυντής του Jacobs Centre for Health Innovation.