AI og leger tilbyr ulike styrker i virtuell akuttbehandling

AI og leger tilbyr ulike styrker i virtuell akuttbehandling

Vil leger eller kunstig intelligens (AI) gi bedre behandlingsanbefalinger for pasienter som blir sett i en virtuell akuttbehandling? En ny Cedars-Sinai-studie viser at leger og AI-modeller har ulike styrker.

Den sene studien, presentert på American College of Physicians Internal Medicine-møte og publisert samtidig iAnnals of indremedisinsammenlignet de første anbefalingene for AI-behandling med de endelige anbefalingene fra leger som hadde tilgang til AI-anbefalingene, men som kanskje ikke har gjennomgått dem.

"Vi fant at de første AI-anbefalingene ble vurdert høyere enn endelige legeanbefalinger for vanlige akutte behandlingstilstander," sa Joshua Pevnick, MD, MSHS, meddirektør for Cedars-Sinai Institutt for informatikk, førsteamanuensis i medisin, og medforfatter av studien. "For eksempel har kunstig intelligens vært spesielt vellykket i å markere urinveisinfeksjoner som kan være forårsaket av antibiotikaresistente bakterier og foreslår at en kultur bestilles før medisinering foreskrives."

Imidlertid sa Pevnick at selv om AI er bedre til å identifisere kritiske røde flagg, "har det gjort det mulig for leger å bedre forstå pasientenes historie og skreddersy anbefalingene deres deretter."

Den retrospektive studien ble utført ved bruk av data fra Cedars-Sinai Connect, et virtuelt primær- og akuttomsorgsprogram som startet i 2023. En utvidelse av Cedars-Sinais personlig omsorg, har Cedars-Sinai Connect som mål å utvide virtuell helsehjelp for pasienter i California gjennom en mobilapp som lar folk raskt og enkelt få tilgang til Cedars-Sinai-behandlinger, kroniske og akutte behandlinger og eksperter i Cedars-Sinai.

Studien gjennomgikk 461 legebesøk med AI-anbefalinger fra 12. juni til 14. juli 2024. Viktige medisinske problemer som ble tatt opp under disse presserende virtuelle besøkene inkluderte voksne med luftveis-, urin-, vaginal-, syn- eller tannsymptomer.

Pasienter som bruker mobilappen starter besøk ved å angi medisinske bekymringer og gi demografisk informasjon til førstegangsbrukere. En ekspert AI-modell gjennomfører et strukturert dynamisk intervju som samler symptominformasjon og sykehistorie. I gjennomsnitt svarer pasientene på 25 spørsmål på fem minutter.

En algoritme bruker pasientens svar samt data fra pasientens elektroniske journal for å gi innledende informasjon om sykdommer med relaterte symptomer. Etter at pasienter med mulige diagnoser viser symptomene sine, lar mobilappen pasienter starte et videobesøk hos en lege.

Algoritmen foreslår også diagnose og behandlingsanbefalinger som kan sees av Cedars-Sinai Connect-behandlingslegen, selv om Cedars-Sinai Connect i løpet av studien kan rulle nedover de nødvendige legene for å se dem.

Den største usikkerheten i denne studien er om leger ble rullet ned for å se på reseptene, bestillingene, henvisningene eller andre ledelsesforslag fra AI og om de inkorporerte disse anbefalingene i sin kliniske beslutningstaking. Det faktum at AI-anbefalinger ofte ble vurdert til å ha høyere kvalitet enn legebeslutninger, antyder imidlertid at AI-beslutningsstøtte, når den implementeres effektivt på pleiepunktet, kan forbedre klinisk beslutningstaking for vanlige og akutte tilstander. "

Caroline Goldzweig, MD, medisinsk sjef for Cedars-Sinai Medical Network og co-senior forfatter av studien

AI-systemet brukt for Cedars-Sinai Connect ble utviklet av K Health, og skapte teknologien for å redusere belastningen av klinisk inntak og dataregistrering, slik at leger kan fokusere mer på pasientbehandling. K Health og Cedars-Sinai utviklet Cedars-Sinai Connect gjennom et joint venture og samarbeidet om forskningsstudien. Tel Aviv University-etterforskere, inkludert førsteforfatter Dan Zeltzer, PhD, deltok også i studien.

"Vi setter AI på prøve under virkelige forhold, ikke oppdiktede scenarier," sa Ran Shaul, medgründer og produktsjef i K Health. "I virkeligheten til daglig primærhelse er det så mange variabler og faktorer som omhandler komplekse mennesker, og enhver AI må håndtere ufullstendige data og en veldig variert pasientpopulasjon."

Shaul sa at etterforskere lærte at hvis du trener AI på skattekammeret av avidentifiserte kliniske notater og bruker daglig pleie fra leverandøren som en konstant forsterket læringsmekanisme, "kan du oppnå det nøyaktighetsnivået du forventer av en menneskelig lege."

Ytterligere forfattere involvert i studien inkluderer Dan Zeltzer, PhD; Zehavi Kugler, MD; Lior Hayat, MD; Tamar Brufman, MD; Ran Ilan Ber, PhD; Keren Leibovich, PhD; Tom Beer, MSC; og Ilan Frank, MSc.

Dette arbeidet ble støttet av midler fra K Health.

Kilder: