Μια μελέτη της Σχολής Ιατρικής του Πανεπιστημίου του Maryland υποδηλώνει ότι ένα μοντέλο μηχανικής μάθησης που αναπτύχθηκε στο Πανεπιστήμιο του Maryland Medical System (UMMS), που ονομάζεται Βαθμολογία Βαλτιμόρη (B score), μπορεί να βοηθήσει τα νοσοκομεία να προβλέψουν καλύτερα ποιοι ασθενείς που εκκρεμούν είναι πιθανόν να επανεισάγονται.
Η έρευνα διεξήχθη από τον Daniel Morgan, MD, MS, Αναπληρωτή Καθηγητή Επιδημιολογίας και Δημόσιας Υγείας στη Σχολή Ιατρικής του Πανεπιστημίου Maryland (UMSOM). Ο Δρ Morgan ανέλυσε δεδομένα σε περισσότερους από 14.000 ασθενείς από τρία νοσοκομεία του UMMS χρησιμοποιώντας αυτό το ειδικό προγνωστικό σκορ για να καθορίσει την πιθανότητα επανεισδοχής αυτών των ασθενών.
Η έρευνα, που δημοσιεύτηκε στο περιοδικό JAMA Network Open , θα μπορούσε να βοηθήσει στην προετοιμασία για τη βελτίωση της φροντίδας των ασθενών και την αποφυγή επιστροφής στο νοσοκομείο . “Ένα σημαντικό μέρος των επανεισδοχών μπορεί να αποφευχθεί με τον καλύτερο σχεδιασμό και την παρακολούθηση του τρόπου με τον οποίο ο ασθενής θα επανέλθει στην κοινότητα”, δήλωσε ο Δρ Morgan.
Οι επανεισδοχές συμβαίνουν για σχεδόν το 20% των ασθενών που νοσηλεύονται στις Ηνωμένες Πολιτείες και σχετίζονται με τις βλάβες και τα έξοδα των ασθενών. Επιπλέον, τα ποσοστά απρογραμμάτιστης επανεισδοχής εντός 30 ημερών μετά την απόρριψη χρησιμοποιούνται για να συγκριθούν οι επιδόσεις του νοσοκομείου και η ποιότητα της περίθαλψης των ασθενών. Παρόλα αυτά, μελέτες έχουν δείξει ότι οι κλινικοί γιατροί είναι κακώς εξοπλισμένοι για να εντοπίσουν τους ασθενείς που θα επανεισδοθούν και πολλές επανεισδοχές θεωρείται ότι μπορούν να προληφθούν.
“Εάν τα νοσοκομεία μπορούν να στοχεύσουν καλύτερα το χρόνο και τα χρήματα για τον προγραμματισμό της απόρριψης στο σπίτι, τότε οι ασθενείς μπορεί να μην χρειαστεί να επιστρέψουν στο νοσοκομείο, με τις βλάβες που συνδέονται με τα νοσοκομεία, συμπεριλαμβανομένων των κινδύνων για λοίμωξη, πτώσεις, παραλήρημα και άλλες ανεπιθύμητες ενέργειες”. είπε ο Δρ Morgan.
Χρήση δεδομένων υγείας και ενός αλγορίθμου
Η μηχανική μάθηση χρησιμοποιείται ευρέως για να κάνει προβλέψεις για το μέλλον, με βάση ένα σύνολο αλγορίθμων υπολογιστών που αναλύουν τεράστια ποσά δεδομένων. Οι αλγόριθμοι σχηματίζουν αυτό που είναι γνωστό ως νευρωνικό δίκτυο, διαμορφωμένο χαλαρά μετά τον ανθρώπινο εγκέφαλο, για να αναγνωρίσει και να μάθει από τα πρότυπα. Στον τομέα της φροντίδας των νοσοκομειακών ασθενών, η αυξημένη υιοθέτηση ηλεκτρονικών ιατρικών αρχείων καθιστά δυνατή την εφαρμογή τεχνικών μηχανικής μάθησης στα δεδομένα της υγειονομικής περίθαλψης.
Τα υφιστάμενα εργαλεία εκτίμησης κινδύνου επανεισδοχής, συμπεριλαμβανομένου του δείκτη LACE, του νοσοκομείου και του βαθμολογικού στρώματος Maxim / RightCare, εξετάζουν ένα περιορισμένο σύνολο μεταβλητών για κάθε ασθενή, όπως η διάρκεια διαμονής σε νοσοκομείο, ο τύπος και η σοβαρότητα της εισδοχής, οι τύποι και ποσότητες φαρμάκων, άλλες χρόνιες παθήσεις που μπορεί να έχει ένας ασθενής και προηγούμενες εισαγωγές στο νοσοκομείο.