Forskare kombinerar AI med data för att förbättra patientvård och resultat

Forskare kombinerar AI med data för att förbättra patientvård och resultat

Chenyang Lu, Fullgraf professor i datavetenskap och teknik vid Washington University vid St. Louis McKelvey School of Engineering, kombinerar artificiell intelligens med data för att förbättra patientvården och resultat.

Men han bryr sig inte bara om patienter, han utvecklar också teknik för att övervaka läkarnas hälsa och välbefinnande.

Lu-labbet presenterade två artiklar vid årets ACM SIGKDD-konferens om Knowledge Discovery and Data Mining, som båda beskriver nya metoder som hans team har utvecklat -; med personal vid Washington University School of Medicine -; att förbättra hälsoresultaten genom att föra in djupinlärning i klinisk vård.

För vårdgivare tog Lu upp utbrändhet och hur man förutsäger den innan den ens inträffar. Aktivitetsloggar över hur läkare interagerar med elektroniska journaler gav forskarna stora mängder data. De matade in denna data i ett ramverk för maskininlärning utvecklat av Lu och hans team -; Hierarkisk utbrändhetsförutsägelse baserad på aktivitetsloggar (HiPAL) -; och den kunde extrapolera meningsfulla mönster av arbetsbelastning och förutsäga utbrändhet från dessa data på ett icke-påträngande och automatiserat sätt.

När det gäller patientvård samlar läkare på operationssalen in betydande mängder data om sina patienter, både under preoperativ vård och under operation -; Data som Lu och hans medarbetare trodde att de kunde använda med Lus djupinlärningsmetod: Clinical Variational Autoencoder (cVAE).

Med hjälp av nya algoritmer utvecklade av Lu-labbet kunde de förutsäga vem som skulle ha längre operation och vem som skulle vara mer benägen att utveckla delirium efter operationen. Modellen kunde omvandla hundratals kliniska variabler till bara 10, som modellen använde för att göra korrekta och tolkbara förutsägelser om resultat som var överlägsna nuvarande metoder.

Läs mer om teamets resultat på ingenjörswebbplatsen.

Lu och hans tvärvetenskapliga samarbetspartners kommer att fortsätta att validera båda modellerna i hopp om att båda kommer att tillföra kraften hos AI till sjukhusmiljöer.

Källa:

Washington University i St. Louis

Hänvisning:

Liu, H., et al. (2022) HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity Logs in Electronic Health Records. KDD '22: Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. doi.org/10.1145/3534678.3539056.

.