محققان متدیست هیوستون با استفاده از هوش مصنوعی قادرند نتایج بستری شدن در بیمارستان بیماران سالمند مبتلا به زوال عقل را در روز اول یا دوم پذیرش در بیمارستان پیش بینی کنند. این ارزیابی اولیه نتایج به معنای مداخلات به موقع تر، هماهنگی مراقبت بهتر، تخصیص عاقلانه تر منابع، مدیریت مراقبت متمرکز و درمان به موقع برای این بیماران آسیب پذیرتر و پرخطر است.
از آنجایی که بیماران سالمند مبتلا به زوال عقل بستری طولانی تری در بیمارستان دارند و هزینه های مراقبت های بهداشتی بیشتری نسبت به سایر بیماران متحمل می شوند، تیم به دنبال حل این مشکل با شناسایی عوامل خطر قابل اصلاح و توسعه یک مدل هوش مصنوعی بود که نتایج بیماران را بهبود می بخشد، کیفیت زندگی آنها را افزایش می دهد و آنها را کاهش می دهد. خطر بستری مجدد در بیمارستان و همچنین کاهش هزینه های بستری پس از اجرای مدل.
این مطالعه به بررسی سوابق بیمارستانی ۸۴۰۷ بیمار سالمند مبتلا به زوال عقل در طی ۱۰ سال در سیستم هیوستون متودیست از هشت بیمارستان در معرض خطر پرداخت. عواملی برای پیامدهای ضعیف در میان زیر گروه های بیماران مبتلا به انواع مختلف زوال عقل که از بیماری هایی مانند آلزایمر، پارکینسون، زوال عقل عروقی و هانتینگتون و غیره ناشی می شوند. از این داده‌ها، محققان یک مدل یادگیری ماشینی را برای تشخیص سریع عوامل خطر پیش‌بینی‌کننده و اهمیت رتبه‌بندی آنها برای پیامدهای نامطلوب بستری شدن در بیمارستان در اوایل دوره بستری این بیماران ایجاد کردند.
با دقت ۹۵.۶ درصد، مدل آنها از همه روش‌های رایج ارزیابی خطر برای این انواع مختلف زوال عقل بهتر عمل کرد. محققان اضافه می‌کنند که هیچ یک از روش‌های فعلی دیگر از هوش مصنوعی برای پیش‌بینی جامع پیامدهای بستری بیماران مسن مبتلا به زوال عقل به این روش استفاده نکرده‌اند و نه عوامل خطر خاصی را شناسایی کرده‌اند که می‌توانند با روش‌های بالینی اضافی یا اقدامات احتیاطی برای کاهش خطرات اصلاح شوند.
اوگین سی‌لای می گوید :”این مطالعه نشان داد که اگر بتوانیم بیماران سالمند مبتلا به زوال عقل را به محض بستری شدن در بیمارستان شناسایی کنیم و عوامل خطر مهم را بشناسیم، می‌توانیم مداخلات مناسب را بلافاصله انجام دهیم. با کاهش و تصحیح عوامل خطر قابل تعدیل برای پیامدهای نامطلوب، می‌توانیم نتایج را بهبود بخشیده و مدت اقامت آنها را در بیمارستان کوتاه کنیم.”
لای، متخصص مغز و اعصاب، سال‌ها با این بیماران کار کرده است و می‌خواهد راه‌هایی برای درک بهتر نحوه مدیریت و رفتار آنها در هنگام بستری شدن در بیمارستان بررسی کند تا پزشکان بتوانند مراقبت و کیفیت زندگی را برای آنها بهبود بخشند.
در این پروژه، لای با استفن تی‌سی‌وانگ، متخصص بیوانفورماتیک و رئیس مرکز مطالعات مغز Houston Methodist، همکاری داشته است؛ دسترسی وانگ به دیتاست بزرگ بیماران Houston Methodist به پژوهشگران اجازه داد، تا از هوش مصنوعی برای تحلیل حجم بزرگی داده استفاده کنند.
عوامل خطر برای هر نوع زوال عقل، از جمله عواملی که در معرض مداخلات هستند، شناسایی شدند. فاکتورهای خطر اصلی نتیجه بستری شدن در بیمارستان شامل انسفالوپاتی، تعداد مشکلات پزشکی در هنگام پذیرش، زخم های فشاری، عفونت های دستگاه ادراری، زمین خوردن، منبع بستری، سن، نژاد و کم خونی بود.
در نهایت، هدف محققان اجرای اقدامات کاهشی برای هدایت مداخلات بالینی برای کاهش این پیامدهای منفی است.
وونگ می‌گوید:” استراتژی نوظهور استفاده از پیش‌بینی‌های هوش مصنوعی قدرتمند برای اجرای مسیرهای بالینی «هوشمند» در بیمارستان‌ها جدید است و نه تنها نتایج بالینی و تجربیات بیمار را بهبود می‌بخشد، بلکه هزینه‌های بستری شدن در بیمارستان را نیز کاهش می‌دهد.”
او افزود :” در گام بعدی، سعی داریم مدل هوش مصنوعی را بعد از اعتبارسنجی در قالب نرم‌افزار موبایل اجرا کنیم، تا کارکنان بیمارستان‌ها آگاهی بیشتری نسبت به بیماران سالمند مبتلا به فراموشی به دست آورند، به‌ویژه گروه‌هایی که در معرض ریسک خروجی‌های منفی قرار دارند. به علاوه، به درمانگران کمک می‌کنیم، تا با اقدامات لازم، این ریسک‌ها را کاهش دهند.”
از آنجایی که بیماران سالمند مبتلا به زوال عقل بستری طولانی تری در بیمارستان دارند و هزینه های مراقبت های بهداشتی بیشتری نسبت به سایر بیماران متحمل می شوند، تیم به دنبال حل این مشکل با شناسایی عوامل خطر قابل اصلاح و توسعه یک مدل هوش مصنوعی بود که نتایج بیماران را بهبود می بخشد، کیفیت زندگی آنها را افزایش می دهد و آنها را کاهش می دهد. خطر بستری مجدد در بیمارستان و همچنین کاهش هزینه های بستری پس از اجرای مدل.
این مطالعه به بررسی سوابق بیمارستانی ۸۴۰۷ بیمار سالمند مبتلا به زوال عقل در طی ۱۰ سال در سیستم هیوستون متودیست از هشت بیمارستان در معرض خطر پرداخت. عواملی برای پیامدهای ضعیف در میان زیر گروه های بیماران مبتلا به انواع مختلف زوال عقل که از بیماری هایی مانند آلزایمر، پارکینسون، زوال عقل عروقی و هانتینگتون و غیره ناشی می شوند. از این داده‌ها، محققان یک مدل یادگیری ماشینی را برای تشخیص سریع عوامل خطر پیش‌بینی‌کننده و اهمیت رتبه‌بندی آنها برای پیامدهای نامطلوب بستری شدن در بیمارستان در اوایل دوره بستری این بیماران ایجاد کردند.
با دقت ۹۵.۶ درصد، مدل آنها از همه روش‌های رایج ارزیابی خطر برای این انواع مختلف زوال عقل بهتر عمل کرد. محققان اضافه می‌کنند که هیچ یک از روش‌های فعلی دیگر از هوش مصنوعی برای پیش‌بینی جامع پیامدهای بستری بیماران مسن مبتلا به زوال عقل به این روش استفاده نکرده‌اند و نه عوامل خطر خاصی را شناسایی کرده‌اند که می‌توانند با روش‌های بالینی اضافی یا اقدامات احتیاطی برای کاهش خطرات اصلاح شوند.
اوگین سی‌لای می گوید :”این مطالعه نشان داد که اگر بتوانیم بیماران سالمند مبتلا به زوال عقل را به محض بستری شدن در بیمارستان شناسایی کنیم و عوامل خطر مهم را بشناسیم، می‌توانیم مداخلات مناسب را بلافاصله انجام دهیم. با کاهش و تصحیح عوامل خطر قابل تعدیل برای پیامدهای نامطلوب، می‌توانیم نتایج را بهبود بخشیده و مدت اقامت آنها را در بیمارستان کوتاه کنیم.”
لای، متخصص مغز و اعصاب، سال‌ها با این بیماران کار کرده است و می‌خواهد راه‌هایی برای درک بهتر نحوه مدیریت و رفتار آنها در هنگام بستری شدن در بیمارستان بررسی کند تا پزشکان بتوانند مراقبت و کیفیت زندگی را برای آنها بهبود بخشند.
در این پروژه، لای با استفن تی‌سی‌وانگ، متخصص بیوانفورماتیک و رئیس مرکز مطالعات مغز Houston Methodist، همکاری داشته است؛ دسترسی وانگ به دیتاست بزرگ بیماران Houston Methodist به پژوهشگران اجازه داد، تا از هوش مصنوعی برای تحلیل حجم بزرگی داده استفاده کنند.
عوامل خطر برای هر نوع زوال عقل، از جمله عواملی که در معرض مداخلات هستند، شناسایی شدند. فاکتورهای خطر اصلی نتیجه بستری شدن در بیمارستان شامل انسفالوپاتی، تعداد مشکلات پزشکی در هنگام پذیرش، زخم های فشاری، عفونت های دستگاه ادراری، زمین خوردن، منبع بستری، سن، نژاد و کم خونی بود.
در نهایت، هدف محققان اجرای اقدامات کاهشی برای هدایت مداخلات بالینی برای کاهش این پیامدهای منفی است.
وونگ می‌گوید:” استراتژی نوظهور استفاده از پیش‌بینی‌های هوش مصنوعی قدرتمند برای اجرای مسیرهای بالینی «هوشمند» در بیمارستان‌ها جدید است و نه تنها نتایج بالینی و تجربیات بیمار را بهبود می‌بخشد، بلکه هزینه‌های بستری شدن در بیمارستان را نیز کاهش می‌دهد.”
او افزود :” در گام بعدی، سعی داریم مدل هوش مصنوعی را بعد از اعتبارسنجی در قالب نرم‌افزار موبایل اجرا کنیم، تا کارکنان بیمارستان‌ها آگاهی بیشتری نسبت به بیماران سالمند مبتلا به فراموشی به دست آورند، به‌ویژه گروه‌هایی که در معرض ریسک خروجی‌های منفی قرار دارند. به علاوه، به درمانگران کمک می‌کنیم، تا با اقدامات لازم، این ریسک‌ها را کاهش دهند.”
کد خبر ۲۰۱۰۱۰۷۲۷.۰۴۷
