Κατακλίσεις: Οι κατακλίσεις – γνωστές και ως τραυματισμοί από πίεση – είναι η ταχύτερα αυξανόμενη νοσοκομειακή πάθηση, σύμφωνα με τον Αμερικανικό Οργανισμό Έρευνας για την Ποιότητα της Υγείας, και ως εκ τούτου έχουν γίνει ο δεύτερος πιο κοινός λόγος για αγωγές ιατρικού σφάλματος στις Ηνωμένες Πολιτείες. Αν και οι περισσότεροι τραυματισμοί λόγω πίεσης που αποκτώνται από το νοσοκομείο μπορούν εύλογα να προληφθούν, περίπου 2,5 εκατομμύρια άτομα στις Ηνωμένες Πολιτείες αναπτύσσουν τραυματισμό λόγω πίεσης σε εγκαταστάσεις οξείας φροντίδας κάθε χρόνο και 60.000 πεθαίνουν.
Το συνολικό ετήσιο κόστος για τα συστήματα υγείας των ΗΠΑ για τη διαχείριση των οξέων αναγκών των κατακλίσεων λόγω πίεσης των ασθενών κατά τη διάρκεια της νοσηλείας υπερβαίνει τα 26 δισεκατομμύρια δολάρια, και ωστόσο οι τραυματισμοί λόγω πίεσης έχουν λάβει σχετικά μικρή προσοχή ως κρίση δημόσιας υγείας. Ερευνητές από το Αμερικανικό Πανεπιστήμιο USC, το Πανεπιστήμιο Johns Hopkins και το Ιατρικό Κέντρο Πανεπιστημιακών Νοσοκομείων του Cleveland συνεργάστηκαν προκειμένου να αξιοποιήσουν τεχνικές μηχανικής μάθησης για να αναπτύξουν ένα νέο μοντέλο για την πρόβλεψη μελλοντικού κινδύνου τραυματισμών από πίεση και καλύτερη άμεση φροντίδα ασθενών εντατικής εργασίας. Το νέο μοντέλο αξιολόγησης κινδύνου που δημοσιεύτηκε σήμερα στο BMJ Open αυξάνει την ακρίβεια της πρόβλεψης σε περισσότερο από 74%—μια αύξηση άνω του 20% σε σχέση με τις υπάρχουσες μεθόδους. Οι συνήθεις πρακτικές και οδηγίες για την πρόληψη τραυματισμών λόγω πίεσης είναι χρονοβόρες και επιβαρύνουν τις νοσοκόμες δίπλα στο κρεβάτι. Το βιομηχανικό πρότυπο εργαλείο για την πρόβλεψη του κινδύνου τραυματισμού λόγω πίεσης, η κλίμακα Braden που βασίζεται σε χαρτί, δεν έχει αλλάξει από την αρχή της δεκαετίας του 1980 και έχει ποσοστό ακρίβειας 54%, σημειώνουν οι ερευνητές.
Εξοικονόμηση χρόνου, κόστους και ζωών Η προγνωστική ανάλυση προσφέρει τη δυνατότητα ανακούφισης κάποιου φόρτου για τους νοσηλευτές και τους παρόχους υγειονομικής περίθαλψης πρώτης γραμμής, αυτοματοποιώντας μέρος της διαδικασίας αξιολόγησης κινδύνου, σημειώνουν οι ερευνητές. Επί του παρόντος, οι πάροχοι οξείας φροντίδας πρέπει να πραγματοποιούν δερματικό έλεγχο και εκτίμηση κινδύνου για τραυματισμό από πίεση κατά την εισαγωγή και κάθε 12 έως 24 ώρες στη συνέχεια, χρησιμοποιώντας ένα τυποποιημένο όργανο όπως η κλίμακα Braden, η οποία αξιολογεί κυρίως την κινητικότητα, τη γνωστική λειτουργία, τη διατροφή και τη διαχείριση της ακράτειας. «Η πρόληψη τραυματισμών από πίεση είναι ένα δαπανηρό πρωτόκολλο που εφαρμόζεται σε καθημερινή βάση, και το υπάρχον εργαλείο για την πρόβλεψη τραυματισμών πίεσης είναι μόλις καλύτερο από μια αναστροφή νομίσματος», λέει ο William Padula, επίκουρος καθηγητής φαρμακευτικών και οικονομικών της υγείας στο USC Mann και συνεργάτης στο το USC Leonard D. Schaeffer Center for Health Policy & Economics. “Σκεφτήκαμε ότι πρέπει να υπάρχει καλύτερος τρόπος για να γίνει αυτό. Το ερώτημα έγινε, θα μπορούσε ένας υπολογιστής να κάνει αυτές τις αξιολογήσεις κινδύνου καλύτερα από τις ίδιες τις νοσοκόμες δίπλα στο κρεβάτι;”
Ο προγνωστικός αλγόριθμος που αναπτύχθηκε από την ομάδα προσφέρει βελτιωμένη οικονομική απόδοση και σημαντική εξοικονόμηση πόρων. Δεδομένου ότι η αξιολόγηση κινδύνου μπορεί να διαρκέσει από πέντε έως 15 λεπτά ανά ασθενή, αυτό θα μπορούσε να αντιπροσωπεύει έως και 250 ώρες εργασίας σε μία μονάδα 500 κλινών την ημέρα και από 30.000 έως 90.000 εργατοώρες ετησίως. «Αυτά τα δεδομένα θα μπορούσαν να βοηθήσουν τα νοσοκομεία να εξοικονομήσουν πόρους μέσα σε μια κρίσιμη περίοδο ευπάθειας ασθενών λόγω τραυματισμού από πίεση που έχει αποκτηθεί από το νοσοκομείο που δεν αποζημιώνεται από το U.S. Medicare», λέει ο Peter Pronovost, επικεφαλής ποιότητας και μετασχηματισμού στο University Hospitals Cleveland Medical Center, πρώην διευθυντής του Armstrong Institute for Patient Safety at Johns Hopkins Hospital.
Η έρευνα προωθεί, επίσης, βελτιώσεις στην ισότητα της υγείας.
Τα υπάρχοντα εργαλεία δεν λαμβάνουν υπόψη τη φυλή, το χρώμα του δέρματος ή την ηλικία. «Εάν δεν μπορείτε να δείτε μώλωπες στο δέρμα ενός ασθενούς επειδή είναι μαύρος, Ισπανός ή Ασιάτης, τότε δεν πρόκειται να εντοπίσετε τους μεγαλύτερους παράγοντες κινδύνου που αντιμετωπίζει το ίδιο γρήγορα», προσθέτει η Padula. “Οι μέθοδοι μηχανικής μάθησης δεν είναι προκατειλημμένες από αυτό που βλέπουμε στο φως του ήλιου. Αυτό μας επιτρέπει να βελτιώσουμε την ισότητα στην παροχή υγειονομικής περίθαλψης όταν πρόκειται για την πρόληψη αυτών των καταστάσεων που επηρεάζουν ανόμοια τις υποεκπροσωπούμενες μειονότητες.”
Μέθοδοι τεχνητής νοημοσύνης
Χρησιμοποιώντας μεθόδους μηχανικής μάθησης, οι ερευνητές εξόρυξαν τα ηλεκτρονικά αρχεία υγείας περισσότερων από 35.000 νοσηλειών σε δύο ακαδημαϊκά νοσοκομεία για πέντε χρόνια για να αναλύσουν τις αλλαγές στον κίνδυνο τραυματισμού λόγω πίεσης με την πάροδο του χρόνου. Εξέτασαν μεταβλητές, συμπεριλαμβανομένων των διαγνωστικών κωδικών εισαγωγής, των συνταγογραφούμενων φαρμάκων, των εργαστηριακών παραγγελιών και άλλων παραγόντων που συνδέονται στενότερα με παράγοντες κινδύνου τραυματισμού λόγω πίεσης. “Η έγκαιρη ανίχνευση με βάση την τεχνητή νοημοσύνη ξεπερνά σημαντικά τα πρότυπα περίθαλψης. Τα νοσοκομεία μπορούν να τη χρησιμοποιήσουν για να ξεκινήσουν ένα πρόγραμμα βελτίωσης της ποιότητας για την πρόληψη τραυματισμών πίεσης που βελτιώνει τα αποτελέσματα και μειώνει σημαντικά την επιβάρυνση της νοσηλευτικής από τις τρέχουσες προσεγγίσεις παρακολούθησης. Επιπλέον, μπορούν να προσαρμόσουν τον αλγόριθμο σε παραλλαγή για τον ασθενή ανά εγκατάσταση», λέει ο Suchi Saria, πρόεδρος John C. Malone και καθηγητής τεχνητής νοημοσύνης στο Johns Hopkins και Διευθύνων Σύμβουλος της Bayesian Health, μιας εταιρείας πλατφόρμας κλινικής τεχνητής νοημοσύνης.
Οι ερευνητές διεξήγαγαν αναλύσεις χρησιμοποιώντας τεχνικές μηχανικής μάθησης, όπως νευρωνικά δίκτυα, για να υπολογίσουν περαιτέρω τα ειδικά βάρη αυτών των μεταβλητών στις αλλαγές και τον κίνδυνο μιας περίπτωσης τραυματισμού λόγω πίεσης και κατέληξαν στο τελικό μοντέλο. Προσδιόρισαν επίσης μια λίστα συνταγογραφούμενων φαρμάκων -βήτα αποκλειστές, ηλεκτρολύτες, υποκατάστατο φωσφορικών αλάτων, αντικατάσταση ψευδαργύρου, παράγοντες διέγερσης ερυθροποιητίνης, θειαζιδικά/διουρητικά, αγγειοσυσπαστικά- που αλλάζουν τον κίνδυνο τραυματισμού της πίεσης των ασθενών. «Αυτή είναι, από όσο γνωρίζουμε, η πιο προηγμένη μεθοδολογική μελέτη για τη χρήση τεχνητής νοημοσύνης για την καλύτερη ανίχνευση τραυματισμών λόγω πίεσης», λέει ο David Armstrong, καθηγητής χειρουργικής στο Keck School of Medicine του USC.