AI och läkare erbjuder olika styrkor i virtuell akutbehandling

AI och läkare erbjuder olika styrkor i virtuell akutbehandling

Kommer läkare eller artificiell intelligens (AI) att ge bättre behandlingsrekommendationer för patienter som ses i en virtuell akutvårdsmiljö? En ny Cedars-Sinai-studie visar att läkare och AI-modeller har olika styrkor.

Den sena studien, som presenterades vid mötet för American College of Physicians Internal Medicine och publicerades samtidigt iAnnals of Internal Medicinejämförde de initiala rekommendationerna för AI-behandling med de slutliga rekommendationerna från läkare som hade tillgång till AI-rekommendationerna men kanske inte har granskat dem.

"Vi fann att initiala AI-rekommendationer betygsattes högre än slutliga läkares rekommendationer för vanliga akuta vårdtillstånd", säger Joshua Pevnick, MD, MSHS, meddirektör för Cedars-Sinai Department of Informatics, docent i medicin och medförfattare till studien. "Till exempel har artificiell intelligens varit särskilt framgångsrik när det gäller att flagga urinvägsinfektioner som kan orsakas av antibiotikaresistenta bakterier och föreslå att en odling beställs innan medicinering ordineras."

Men Pevnick sa att även om AI är bättre på att identifiera kritiska röda flaggor, "har det gjort det möjligt för läkare att bättre förstå patienternas historia och skräddarsy sina rekommendationer därefter."

Den retrospektiva studien genomfördes med hjälp av data från Cedars-Sinai Connect, ett virtuellt primär- och akutvårdsprogram som startade 2023. En expansion av Cedars-Sinais personliga vård, Cedars-Sinai Connect syftar till att expandera virtuell hälsovård för patienter i Kalifornien genom en mobilapp som gör det möjligt för människor att snabbt och enkelt få tillgång till Cedars-Sinai-vård, kroniska och akuta vård och förebyggande vård av Cedars-Sina.

Studien granskade 461 läkarbesök med AI-rekommendationer från 12 juni till 14 juli 2024. Viktiga medicinska problem som behandlades under dessa brådskande virtuella besök inkluderade vuxna med andnings-, urin-, vaginal-, syn- eller tandsymtom.

Patienter som använder mobilappen initierar besök genom att ange sina medicinska problem och tillhandahålla demografisk information för förstagångsanvändare. En expert AI-modell genomför en strukturerad dynamisk intervju som samlar in symptominformation och sjukdomshistoria. I genomsnitt svarar patienter på 25 frågor på fem minuter.

En algoritm använder patientens svar samt data från patientens elektroniska journal för att ge initial information om sjukdomar med relaterade symtom. Efter att patienter med möjliga diagnoser presenterat sina symtom låter mobilappen patienterna initiera ett videobesök hos en läkare.

Algoritmen föreslår också diagnos- och behandlingsrekommendationer som kan ses av Cedars-Sinai Connect-behandlingsläkaren, även om Cedars-Sinai Connect under studien kan scrolla ner de nödvändiga läkarna för att se dem.

Den största osäkerheten i den här studien är om läkare rullades ner för att titta på recept, beställningar, remisser eller andra hanteringsförslag från AI och om de införlivade dessa rekommendationer i sitt kliniska beslutsfattande. Men det faktum att AI-rekommendationer ofta bedömdes som högre kvalitet än läkares beslut tyder på att AI-beslutsstöd, när det effektivt implementeras på vårdplatsen, kan förbättra det kliniska beslutsfattandet för vanliga och akuta tillstånd. "

Caroline Goldzweig, MD, Cedars-Sinai Medical Networks chefsläkare och co-senior författare till studien

AI-systemet som används för Cedars-Sinai Connect utvecklades av K Health, och skapade tekniken för att minska bördan av kliniskt intag och datainmatning, vilket gör att läkare kan fokusera mer på patientvård. K Health och Cedars-Sinai utvecklade Cedars-Sinai Connect genom ett joint venture och samarbetade i forskningsstudien. Utredare från Tel Aviv University, inklusive första författaren Dan Zeltzer, PhD, deltog också i studien.

"Vi sätter AI på prov under verkliga förhållanden, inte påhittade scenarier", säger Ran Shaul, medgrundare och produktchef på K Health. "I den dagliga primärvårdens verklighet finns det så många variabler och faktorer som handlar om komplexa människor, och varje AI måste hantera ofullständiga data och en mycket varierad patientpopulation."

Shaul sa att utredarna lärde sig att om du tränar AI på skattkammaren av avidentifierade kliniska anteckningar och använder daglig vård från leverantören som en ständigt förstärkt inlärningsmekanism, "kan du uppnå den nivå av noggrannhet du kan förvänta dig av en mänsklig läkare."

Ytterligare författare involverade i studien inkluderar Dan Zeltzer, PhD; Zehavi Kugler, MD; Lior Hayat, MD; Tamar Brufman, MD; Ran Ilan Ber, PhD; Keren Leibovich, PhD; Tom Beer, MSC; och Ilan Frank, MSc.

Detta arbete stöddes av finansiering från K Health.

Källor: