Блог

Jun 11, 2024

Исследование вариантов использования искусственного интеллекта и ИТ-инструментов в службах неотложной медицинской помощи

Источник: Thinkstock, 25 июля 2023 г. — Службы неотложной медицинской помощи (EMS) и группы быстрого реагирования играют важную роль в обеспечении своевременной и жизненно важной медицинской помощи. Чтобы сделать неотложную помощь более эффективной

Источник: Thinkstock

25 июля 2023 г. — Службы неотложной медицинской помощи (EMS) и группы быстрого реагирования играют важную роль в обеспечении своевременной и жизненно важной медицинской помощи. Чтобы сделать неотложную помощь более эффективной и улучшить результаты лечения пациентов, многие организации скорой медицинской помощи оценивают потенциальные варианты использования искусственного интеллекта (ИИ) и ИТ-инструментов здравоохранения.

Однако различия в типе агентства скорой медицинской помощи, финансировании, объемах и составе рабочей силы, ресурсах и доступе к данным, как указано в Национальной оценке служб неотложной медицинской помощи 2020 года, могут повлиять на то, на какие технологии и варианты использования может ориентироваться организация.

По мнению экспертов, инструменты искусственного интеллекта и ИТ могут решить две наиболее распространенные проблемы в сфере скорой медицинской помощи: обеспечить максимальное время безотказной работы и стабильность мобильного программного обеспечения для управления инцидентами и улучшить сортировку пациентов.

Отделение скорой помощи Медицинского центра Университета Питтсбурга (UPMC) использует другой подход к оптимизации рабочего процесса и улучшению результатов лечения пациентов, создавая инструмент машинного обучения (ML), который использует электрокардиограммы (ЭКГ/ЭКГ) для классификации сердечных событий.

Как правило, сотрудники скорой помощи и другой медицинский персонал используют такие системы классификации, как история болезни, ЭКГ, возраст, факторы риска и оценка тропонина (СЕРДЦЕ), чтобы стратифицировать риск пациентов с болью в груди, объяснил Кристиан Мартин-Гилл, доктор медицинских наук, руководитель отделения скорой помощи в UPMC. . Оценка HEART, в дополнение к интерпретации ЭКГ опытным врачом, считается золотым стандартом оценки потенциальных сердечных событий.

Однако точная стратификация и выявление пациентов, перенесших серьезное сердечное событие, такое как сердечный приступ, может быть сложной задачей. Нечеткие ЭКГ являются основным препятствием, с которым приходится сталкиваться бригадам медицинской помощи при сортировке пациентов с болью в груди, и это может привести к задержкам в оказании медицинской помощи, что может отрицательно повлиять на результаты лечения пациентов.

Мартин-Гилл указал, что помимо этой проблемы, ограничения в обычно используемых показателях риска также представляют собой потенциальные недостатки в сортировке болей в груди.

«Если вы думаете о показателях клинического риска, таких как показатель HEART, то он в основном основан на факторах истории болезни пациента, а затем на нескольких клинических факторах, таких как сердечный фермент в крови, а затем на нашей общей интерпретации ЭКГ, но дополненной некоторыми прошлыми медицинскими данными. анамнез или другие клинические факторы риска, такие как возраст», — заявил он. «И любой из этих типов оценок факторов риска обычно основан на нескольких точках данных. Если вы подумаете о людях, у которых они развиваются, они могут оценить дюжину или две дюжины факторов, которые могут подвергнуть кого-то риску получения одного диагноза по сравнению с другим. Затем мы разрабатываем эти оценки риска на основе тех нескольких особенностей, которые предрасполагают кого-то или связаны с этим диагнозом».

ML позволяет анализировать сотни особенностей ЭКГ одновременно. Мартин-Гилл подчеркнул, что эти алгоритмы могут обрабатывать огромное количество необработанных данных для каждого пациента на основе показаний ЭКГ, обеспечивая более полное представление о здоровье сердца пациента.

Инструмент машинного обучения, разработанный Мартином-Гиллом и его командой и прошедший внешнюю проверку в системах здравоохранения за пределами UPMC, может исследовать почти 700 особенностей, обнаруженных в ЭКГ, что может помочь бригадам скорой помощи выявлять такие состояния, как сердечная ишемия или закупорка кровеносных сосудов. Инструмент предназначен для поддержки интерпретации ЭКГ человеком, поскольку алгоритмы могут анализировать и интерпретировать большее количество особенностей данных, включая те, которые невозможно наблюдать невооруженным глазом.

«Мы думаем об этом как об инструменте, который не заменяет интерпретацию врачом или фельдшером 12-отведенной [ЭКГ], но одним из следующих шагов, которые мы делаем, является разработка информационной панели, на которой мы можем разместить информацию, которая алгоритм набирает обороты», — сказал Мартин-Гилл.

Он также отметил, что этот инструмент призван помочь пользователям более внимательно изучить части ЭКГ, которые являются аномальными или важными, но малозаметными и, следовательно, их легко пропустить.

В ближайшие годы этот инструмент будет использоваться в партнерстве с Бюро неотложной медицинской помощи города Питтсбург.