Onderzoekers combineren AI met data om de patiëntenzorg en de resultaten te verbeteren

Onderzoekers combineren AI met data om de patiëntenzorg en de resultaten te verbeteren

Chenyang Lu, Fullgraf Professor Computer Science and Engineering aan de Washington University in de St. Louis McKelvey School of Engineering, combineert kunstmatige intelligentie met data om de patiëntenzorg en resultaten te verbeteren.

Maar hij zorgt niet alleen voor patiënten, hij ontwikkelt ook technologie om de gezondheid en het welzijn van artsen te monitoren.

Het Lu-lab presenteerde twee papers op de ACM SIGKDD-conferentie van dit jaar over Knowledge Discovery en Data Mining, die beide nieuwe methoden schetsen die zijn team heeft ontwikkeld -; met personeel van de Washington University School of Medicine -; om de gezondheidsresultaten te verbeteren door diepgaand leren in de klinische zorg te brengen.

Voor zorgverleners besprak Lu een burn-out en hoe deze te voorspellen voordat deze zelfs maar optreedt. Activiteitenlogboeken over de manier waarop artsen omgaan met elektronische medische dossiers leverden onderzoekers enorme hoeveelheden gegevens op. Ze voerden deze gegevens in een machine learning-framework ontwikkeld door Lu en zijn team -; Hiërarchische burn-outvoorspelling op basis van activiteitenlogboeken (HiPAL) -; en het was in staat om betekenisvolle werkdrukpatronen te extrapoleren en burn-out op basis van die gegevens op een niet-intrusieve en geautomatiseerde manier te voorspellen.

Als het om patiëntenzorg gaat, verzamelen artsen in de operatiekamer aanzienlijke hoeveelheden gegevens over hun patiënten, zowel tijdens de preoperatieve zorg als tijdens de operatie; Gegevens waarvan Lu en zijn medewerkers dachten dat ze goed konden worden gebruikt met Lu's diepgaande leeraanpak: Clinical Variational Autoencoder (cVAE).

Met behulp van nieuwe algoritmen ontwikkeld door het Lu-lab konden ze voorspellen wie een langere operatie zou ondergaan en wie een grotere kans zou hebben om na de operatie een delirium te ontwikkelen. Het model kon honderden klinische variabelen omzetten in slechts tien, die het model gebruikte om nauwkeurige en interpreteerbare voorspellingen te doen over uitkomsten die superieur waren aan de huidige methoden.

Lees meer over de bevindingen van het team op de technische website.

Lu en zijn interdisciplinaire medewerkers zullen beide modellen blijven valideren in de hoop dat beide de kracht van AI naar ziekenhuisomgevingen zullen brengen.

Bron:

Washington Universiteit in St. Louis

Referentie:

Liu, H., et al. (2022) HiPAL: een diepgaand raamwerk voor het voorspellen van burn-out bij artsen met behulp van activiteitenlogboeken in elektronische gezondheidsdossiers. KDD '22: Proceedings van de 28e ACM SIGKDD-conferentie over kennisontdekking en datamining. doi.org/10.1145/3534678.3539056.

.