I ricercatori stanno combinando l’intelligenza artificiale con i dati per migliorare la cura e i risultati dei pazienti

I ricercatori stanno combinando l’intelligenza artificiale con i dati per migliorare la cura e i risultati dei pazienti

Chenyang Lu, Professore Fullgraf di Informatica e Ingegneria presso la Washington University presso la St. Louis McKelvey School of Engineering, combina l’intelligenza artificiale con i dati per migliorare la cura e i risultati dei pazienti.

Ma non si prende cura solo dei pazienti, sviluppa anche la tecnologia per monitorare la salute e il benessere dei medici.

Il laboratorio Lu ha presentato due articoli alla conferenza ACM SIGKDD di quest'anno su Knowledge Discovery e Data Mining, entrambi i quali delineano nuovi metodi sviluppati dal suo team; con il personale della Washington University School of Medicine -; migliorare i risultati sanitari introducendo il deep learning nelle cure cliniche.

Per gli operatori sanitari, Lu ha affrontato il burnout e come prevederlo prima ancora che si verifichi. I registri delle attività su come i medici interagiscono con le cartelle cliniche elettroniche hanno fornito ai ricercatori grandi quantità di dati. Hanno inserito questi dati in un quadro di apprendimento automatico sviluppato da Lu e dal suo team; Previsione gerarchica del burnout basata sui registri delle attività (HiPAL) -; ed è stato in grado di estrapolare modelli significativi di carico di lavoro e prevedere il burnout da tali dati in modo non intrusivo e automatizzato.

Quando si tratta di cura del paziente, i medici in sala operatoria raccolgono quantità significative di dati sui loro pazienti, sia durante le cure preoperatorie che durante l'intervento chirurgico -; Dati che Lu e i suoi collaboratori pensavano di poter mettere a frutto con l'approccio di deep learning di Lu: Clinical Variational Autoencoder (cVAE).

Utilizzando nuovi algoritmi sviluppati dal laboratorio Lu, sono stati in grado di prevedere chi avrebbe subito un intervento chirurgico più lungo e chi avrebbe avuto maggiori probabilità di sviluppare delirio dopo l’intervento. Il modello è stato in grado di convertire centinaia di variabili cliniche in sole 10, che il modello ha utilizzato per fare previsioni accurate e interpretabili sui risultati che erano superiori ai metodi attuali.

Scopri di più sui risultati del team sul sito web di ingegneria.

Lu e i suoi collaboratori interdisciplinari continueranno a convalidare entrambi i modelli nella speranza che entrambi portino il potere dell’intelligenza artificiale negli ambienti ospedalieri.

Fonte:

Washington University di St. Louis

Riferimento:

Liu, H., et al. (2022) HiPAL: un quadro approfondito per la previsione del burnout dei medici utilizzando i registri delle attività nelle cartelle cliniche elettroniche. KDD '22: Atti della 28a conferenza ACM SIGKDD sulla scoperta della conoscenza e sul data mining. doi.org/10.1145/3534678.3539056.

.