Οι ερευνητές συνδυάζουν την τεχνητή νοημοσύνη με δεδομένα για να βελτιώσουν τη φροντίδα και τα αποτελέσματα των ασθενών

Οι ερευνητές συνδυάζουν την τεχνητή νοημοσύνη με δεδομένα για να βελτιώσουν τη φροντίδα και τα αποτελέσματα των ασθενών

Ο Chenyang Lu, καθηγητής Fullgraf Επιστήμης και Μηχανικής Υπολογιστών στο Πανεπιστήμιο της Ουάσιγκτον στη Σχολή Μηχανικών του St. Louis McKelvey, συνδυάζει την τεχνητή νοημοσύνη με δεδομένα για τη βελτίωση της φροντίδας και των αποτελεσμάτων των ασθενών.

Αλλά δεν νοιάζεται μόνο για τους ασθενείς, αλλά αναπτύσσει επίσης τεχνολογία για την παρακολούθηση της υγείας και της ευημερίας των γιατρών.

Το εργαστήριο Lu παρουσίασε δύο εργασίες στο φετινό συνέδριο ACM SIGKDD για την Ανακάλυψη Γνώσης και την Εξόρυξη Δεδομένων, οι οποίες περιγράφουν νέες μεθόδους που έχει αναπτύξει η ομάδα του. με προσωπικό στην Ιατρική Σχολή του Πανεπιστημίου της Ουάσιγκτον - για τη βελτίωση των αποτελεσμάτων υγείας, εισάγοντας τη βαθιά μάθηση στην κλινική φροντίδα.

Για τους φροντιστές, ο Lu ασχολήθηκε με την επαγγελματική εξουθένωση και πώς να το προβλέψουν πριν καν εμφανιστεί. Τα αρχεία καταγραφής δραστηριοτήτων σχετικά με τον τρόπο με τον οποίο οι γιατροί αλληλεπιδρούν με τα ηλεκτρονικά αρχεία υγείας παρείχαν στους ερευνητές τεράστιες ποσότητες δεδομένων. Έδωσαν αυτά τα δεδομένα σε ένα πλαίσιο μηχανικής μάθησης που αναπτύχθηκε από τον Lu και την ομάδα του -? Ιεραρχική Πρόβλεψη εξουθένωσης με βάση τα αρχεία καταγραφής δραστηριότητας (HiPAL) -; και ήταν σε θέση να προεκτείνει σημαντικά μοτίβα φόρτου εργασίας και να προβλέψει την εξάντληση από αυτά τα δεδομένα με μη παρεμβατικό και αυτοματοποιημένο τρόπο.

Όσον αφορά τη φροντίδα των ασθενών, οι γιατροί στο χειρουργείο συλλέγουν σημαντικές ποσότητες δεδομένων για τους ασθενείς τους, τόσο κατά την προεγχειρητική φροντίδα όσο και κατά τη διάρκεια της χειρουργικής επέμβασης. Δεδομένα που ο Lu και οι συνεργάτες του πίστευαν ότι θα μπορούσαν να αξιοποιήσουν καλά με την προσέγγιση βαθιάς μάθησης του Lu: Clinical Variational Autoencoder (cVAE).

Χρησιμοποιώντας νέους αλγόριθμους που αναπτύχθηκαν από το εργαστήριο Lu, μπόρεσαν να προβλέψουν ποιος θα είχε μεγαλύτερη διάρκεια χειρουργικής επέμβασης και ποιος θα ήταν πιο πιθανό να αναπτύξει παραλήρημα μετά την επέμβαση. Το μοντέλο ήταν σε θέση να μετατρέψει εκατοντάδες κλινικές μεταβλητές σε μόλις 10, τις οποίες το μοντέλο χρησιμοποίησε για να κάνει ακριβείς και ερμηνεύσιμες προβλέψεις σχετικά με αποτελέσματα που ήταν ανώτερα από τις τρέχουσες μεθόδους.

Μάθετε περισσότερα για τα ευρήματα της ομάδας στον ιστότοπο μηχανικής.

Ο Lu και οι διεπιστημονικοί συνεργάτες του θα συνεχίσουν να επικυρώνουν και τα δύο μοντέλα με την ελπίδα ότι και τα δύο θα φέρουν τη δύναμη της τεχνητής νοημοσύνης στα νοσοκομειακά περιβάλλοντα.

Πηγή:

Πανεπιστήμιο Ουάσιγκτον στο Σεντ Λούις

Αναφορά:

Liu, Η., et αϊ. (2022) HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity Logs in Electronic Health Records. KDD '22: Πρακτικά 28ου Συνεδρίου ACM SIGKDD για την Ανακάλυψη Γνώσης και την Εξόρυξη Δεδομένων. doi.org/10.1145/3534678.3539056.

.