Tutkijat yhdistävät tekoälyn tietoihin parantaakseen potilaiden hoitoa ja tuloksia

Tutkijat yhdistävät tekoälyn tietoihin parantaakseen potilaiden hoitoa ja tuloksia

Chenyang Lu, Fullgrafin tietojenkäsittelytieteen ja tekniikan professori Washingtonin yliopistossa St. Louis McKelvey School of Engineeringissä, yhdistää tekoälyn tietoihin parantaakseen potilaiden hoitoa ja tuloksia.

Mutta hän ei välitä vain potilaista, hän kehittää myös teknologiaa lääkäreiden terveyden ja hyvinvoinnin seuraamiseksi.

Lu-laboratorio esitti kaksi asiakirjaa tämän vuoden ACM SIGKDD -konferenssissa Knowledge Discovery- ja tiedonlouhinnasta. Molemmat esittelevät hänen tiiminsä kehittämiä uusia menetelmiä -; Washington University School of Medicine -koulun henkilökunnan kanssa -; parantaa terveystuloksia tuomalla syvällinen oppiminen kliiniseen hoitoon.

Hoitajille Lu käsitteli työuupumusta ja sen ennustamista ennen kuin se edes tapahtuu. Toimintalokit siitä, kuinka lääkärit ovat vuorovaikutuksessa sähköisten terveyskertomusten kanssa, tarjosivat tutkijoille valtavia määriä tietoa. He syöttivät nämä tiedot Lu ja hänen tiiminsä kehittämään koneoppimiskehykseen -; Hierarkkinen burnout-ennuste, joka perustuu aktiivisuuslokeihin (HiPAL) -; ja se kykeni ekstrapoloimaan mielekkäitä työkuormitusmalleja ja ennustamaan työuupumusta näiden tietojen perusteella tunkeutumattomalla ja automatisoidulla tavalla.

Mitä tulee potilaiden hoitoon, leikkaussalissa olevat lääkärit keräävät merkittäviä määriä tietoa potilaistaan ​​sekä preoperatiivisen hoidon että leikkauksen aikana -; Data, jota Lu ja hänen työtoverinsa ajattelivat voivansa hyödyntää Lu syvän oppimisen lähestymistavan avulla: Clinical Variational Autoencoder (cVAE).

Lu-laboratorion kehittämien uusien algoritmien avulla he pystyivät ennustamaan, kenelle leikkaus olisi pidempi ja kenelle kehittyisi todennäköisemmin delirium leikkauksen jälkeen. Malli pystyi muuttamaan satoja kliinisiä muuttujia vain 10:ksi, joita malli käytti tarkkojen ja tulkittavien ennusteiden tekemiseen nykyisiä menetelmiä parempia tuloksista.

Lue lisää ryhmän löydöistä suunnittelusivustolta.

Lu ja hänen monitieteiset yhteistyökumppaninsa jatkavat molempien mallien validointia siinä toivossa, että molemmat tuovat tekoälyn tehon sairaalaympäristöihin.

Lähde:

Washingtonin yliopisto St. Louisissa

Viite:

Liu, H., et ai. (2022) HiPAL: Deep Framework for Physician Burnout Prediction käyttäen toimintalokeja sähköisissä terveystietueissa. KDD '22: ACM SIGKDD:n 28. tiedonhakua ja tiedonlouhintaa käsittelevän konferenssin aineisto. doi.org/10.1145/3534678.3539056.

.