Gesundheit AllgemeinGesundheitswesenMedizinische ForschungNewsTechnologie

Forscher kombinieren KI mit Daten, um die Patientenversorgung und die Ergebnisse zu verbessern

Chenyang Lu, Fullgraf-Professor für Informatik und Ingenieurwesen an der Washington University in der St. Louis McKelvey School of Engineering, kombiniert künstliche Intelligenz mit Daten, um die Patientenversorgung und die Ergebnisse zu verbessern.

Aber er kümmert sich nicht nur um Patienten, er entwickelt auch Technologien zur Überwachung der Gesundheit und des Wohlbefindens von Ärzten.

Das Lu-Labor präsentierte auf der diesjährigen ACM SIGKDD-Konferenz über Wissensentdeckung und Data Mining zwei Papiere, die beide neuartige Methoden skizzieren, die sein Team entwickelt hat -; mit Mitarbeitern der Washington University School of Medicine -; um die Gesundheitsergebnisse zu verbessern, indem Deep Learning in die klinische Versorgung eingebracht wird.

Für Betreuer befasste sich Lu mit Burnout und wie man es vorhersagt, bevor es überhaupt auftritt. Aktivitätsprotokolle darüber, wie Ärzte mit elektronischen Patientenakten interagieren, lieferten den Forschern riesige Datenmengen. Sie haben diese Daten in ein von Lu und seinem Team entwickeltes Framework für maschinelles Lernen eingespeist -; Hierarchische Burnout-Vorhersage basierend auf Aktivitätsprotokollen (HiPAL) -; und es war in der Lage, aussagekräftige Muster der Arbeitsbelastung zu extrapolieren und Burnout aus diesen Daten auf unaufdringliche und automatisierte Weise vorherzusagen.

Wenn es um die Patientenversorgung geht, sammeln Ärzte im Operationssaal erhebliche Datenmengen über ihre Patienten, sowohl während der präoperativen Versorgung als auch während der Operation -; Daten, von denen Lu und seine Mitarbeiter dachten, sie könnten sie mit Lus Deep-Learning-Ansatz sinnvoll nutzen: Clinical Variational Autoencoder (cVAE).

Mithilfe neuartiger Algorithmen, die vom Lu-Labor entwickelt wurden, konnten sie vorhersagen, wer länger operiert werden würde und wer nach der Operation eher ein Delir entwickeln würde. Das Modell war in der Lage, Hunderte von klinischen Variablen in nur 10 umzuwandeln, die das Modell verwendete, um genaue und interpretierbare Vorhersagen über Ergebnisse zu treffen, die den aktuellen Methoden überlegen waren.

Erfahren Sie mehr über die Ergebnisse des Teams auf der Engineering-Website.

Lu und seine interdisziplinären Mitarbeiter werden weiterhin beide Modelle validieren, in der Hoffnung, dass beide die Leistungsfähigkeit der KI in Krankenhausumgebungen bringen.

Quelle:

Washington-Universität in St. Louis

Referenz:

Liu, H., et al. (2022) HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity Logs in Electronic Health Records. KDD ’22: Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. doi.org/10.1145/3534678.3539056.

.

Daniel Wom

Daniel Wom ist ein renommierter Webentwickler und SEO-Experte, der in der digitalen Welt eine beeindruckende Karriere aufgebaut hat. Als Betreiber mehrerer Blogs und Online-Magazine erreicht er jeden Monat mehr als 1 Million begeisterte Leser. Sein unermüdlicher Einsatz für Qualität im Web und seine Fähigkeit, die neuesten Trends und Entwicklungen im Webdesign und in der digitalen Kommunikation vorherzusehen und sich daran anzupassen, haben ihn zu einer angesehenen Persönlichkeit in der Branche gemacht.

Ähnliche Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert