Forskere kombinerer AI med data for å forbedre pasientbehandlingen og resultatene

Forskere kombinerer AI med data for å forbedre pasientbehandlingen og resultatene

Chenyang Lu, Fullgraf-professor i informatikk og ingeniørvitenskap ved Washington University ved St. Louis McKelvey School of Engineering, kombinerer kunstig intelligens med data for å forbedre pasientbehandlingen og resultatene.

Men han bryr seg ikke bare om pasienter, han utvikler også teknologi for å overvåke legenes helse og velvære.

Lu-laben presenterte to artikler på årets ACM SIGKDD-konferanse om Knowledge Discovery and Data Mining, som begge skisserer nye metoder teamet hans har utviklet -; med ansatte ved Washington University School of Medicine -; å forbedre helseresultater ved å bringe dyp læring inn i klinisk omsorg.

For omsorgspersoner tok Lu opp utbrenthet og hvordan man kan forutsi det før det i det hele tatt oppstår. Aktivitetslogger over hvordan leger samhandler med elektroniske helsejournaler ga forskerne enorme mengder data. De matet disse dataene inn i et maskinlæringsrammeverk utviklet av Lu og teamet hans -; Hierarkisk utbrenthetsprediksjon basert på aktivitetslogger (HiPAL) -; og den var i stand til å ekstrapolere meningsfulle mønstre for arbeidsbelastning og forutsi utbrenthet fra disse dataene på en ikke-påtrengende og automatisert måte.

Når det gjelder pasientbehandling, samler leger på operasjonsstuen inn betydelige mengder data om sine pasienter, både under preoperativ behandling og under operasjon -; Data som Lu og hans samarbeidspartnere mente de kunne bruke godt med Lus dyplæringstilnærming: Clinical Variational Autoencoder (cVAE).

Ved å bruke nye algoritmer utviklet av Lu-laben, var de i stand til å forutsi hvem som ville ha lengre operasjon og hvem som ville ha større sannsynlighet for å utvikle delirium etter operasjonen. Modellen var i stand til å konvertere hundrevis av kliniske variabler til bare 10, som modellen brukte for å lage nøyaktige og tolkbare spådommer om utfall som var overlegne dagens metoder.

Finn ut mer om teamets funn på ingeniørnettstedet.

Lu og hans tverrfaglige samarbeidspartnere vil fortsette å validere begge modellene i håp om at begge vil bringe kraften til AI til sykehusmiljøer.

Kilde:

Washington University i St. Louis

Referanse:

Liu, H., et al. (2022) HiPAL: A Deep Framework for Physician Burnout Prediction ved hjelp av aktivitetslogger i elektroniske helsejournaler. KDD '22: Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. doi.org/10.1145/3534678.3539056.

.