Naukowcy łączą sztuczną inteligencję z danymi, aby poprawić opiekę nad pacjentami i wyniki

Naukowcy łączą sztuczną inteligencję z danymi, aby poprawić opiekę nad pacjentami i wyniki

Chenyang Lu, profesor informatyki i inżynierii Fullgraf na Uniwersytecie Waszyngtońskim w St. Louis McKelvey School of Engineering, łączy sztuczną inteligencję z danymi, aby poprawić opiekę nad pacjentem i wyniki.

Ale nie tylko troszczy się o pacjentów, opracowuje także technologię monitorowania zdrowia i dobrego samopoczucia lekarzy.

Laboratorium Lu przedstawiło dwa artykuły na tegorocznej konferencji ACM SIGKDD na temat odkrywania wiedzy i eksploracji danych, z których oba przedstawiają nowatorskie metody opracowane przez jego zespół: z personelem Washington University School of Medicine -; poprawić wyniki zdrowotne poprzez wprowadzenie głębokiego uczenia się do opieki klinicznej.

W przypadku opiekunów Lu poruszyła temat wypalenia zawodowego i tego, jak je przewidzieć, zanim w ogóle wystąpi. Dzienniki aktywności dotyczące interakcji lekarzy z elektroniczną dokumentacją medyczną dostarczyły badaczom ogromnych ilości danych. Wprowadzili te dane do platformy uczenia maszynowego opracowanej przez Lu i jego zespół; Hierarchiczne przewidywanie wypalenia na podstawie dzienników aktywności (HiPAL) -; Ponadto był w stanie ekstrapolować znaczące wzorce obciążenia pracą i przewidzieć wypalenie zawodowe na podstawie tych danych w nieinwazyjny i zautomatyzowany sposób.

Jeśli chodzi o opiekę nad pacjentem, lekarze na sali operacyjnej gromadzą znaczne ilości danych o swoich pacjentach, zarówno podczas opieki przedoperacyjnej, jak i podczas operacji -; Dane, które Lu i jego współpracownicy uznali za przydatne w podejściu Lu do głębokiego uczenia się: kliniczny autoenkoder wariacyjny (cVAE).

Korzystając z nowatorskich algorytmów opracowanych przez laboratorium Lu, byli w stanie przewidzieć, kto będzie miał dłuższą operację i u kogo będzie większe ryzyko wystąpienia delirium po operacji. Model był w stanie przekształcić setki zmiennych klinicznych w zaledwie 10, na podstawie których można było dokonać dokładnych i możliwych do zinterpretowania przewidywań dotyczących wyników, które były lepsze od obecnych metod.

Więcej informacji na temat ustaleń zespołu można znaleźć na stronie internetowej poświęconej inżynierii.

Lu i jego interdyscyplinarni współpracownicy będą w dalszym ciągu weryfikować oba modele w nadziei, że oba wprowadzą moc sztucznej inteligencji do środowisk szpitalnych.

Źródło:

Uniwersytet Waszyngtoński w St. Louis

Odniesienie:

Liu, H. i in. (2022) HiPAL: Głębokie ramy przewidywania wypalenia zawodowego lekarzy na podstawie dzienników aktywności w elektronicznej dokumentacji zdrowotnej. KDD '22: Materiały z 28. Konferencji ACM SIGKDD na temat odkrywania wiedzy i eksploracji danych. doi.org/10.1145/3534678.3539056.

.