هوش مصنوعی برای پیش‌بینی پیامدهای بستری در بیماران سالمند مبتلا به زوال عقل استفاده می‌شود



محققان متدیست هیوستون با استفاده از هوش مصنوعی قادرند نتایج بستری شدن در بیمارستان بیماران سالمند مبتلا به زوال عقل را در روز اول یا دوم پذیرش در بیمارستان پیش بینی کنند. این ارزیابی اولیه نتایج به معنای مداخلات به موقع تر، هماهنگی مراقبت بهتر، تخصیص عاقلانه تر منابع، مدیریت مراقبت متمرکز و درمان به موقع برای این بیماران آسیب پذیرتر و پرخطر است.

از آنجایی که بیماران سالمند مبتلا به زوال عقل بستری طولانی تری در بیمارستان دارند و هزینه های مراقبت های بهداشتی بیشتری نسبت به سایر بیماران متحمل می شوند، تیم به دنبال حل این مشکل با شناسایی عوامل خطر قابل اصلاح و توسعه یک مدل هوش مصنوعی بود که نتایج بیماران را بهبود می بخشد، کیفیت زندگی آنها را افزایش می دهد و آنها را کاهش می دهد. خطر بستری مجدد در بیمارستان و همچنین کاهش هزینه های بستری پس از اجرای مدل.

این مطالعه که در 29 سپتامبر در اینترنت منتشر شد آلزایمر و دمانس: تحقیقات ترجمه و مداخلات بالینی، یک مجله از انجمن آلزایمر، سوابق بیمارستانی 8407 بیمار سالمند مبتلا به زوال عقل را در سیستم هشت بیمارستان هیوستون متدیست در طی 10 سال بررسی کرد و عوامل خطر را برای پیامدهای ضعیف در میان زیر گروه‌های بیماران مبتلا به انواع مختلف زوال عقل که ناشی از بیماری‌هایی مانند آلزایمر، پارکینسون، زوال عقل عروقی و هانتینگتون و غیره. از این داده‌ها، محققان یک مدل یادگیری ماشینی را برای تشخیص سریع عوامل خطر پیش‌بینی‌کننده و اهمیت رتبه‌بندی آن‌ها برای پیامدهای نامطلوب بستری شدن در بیمارستان در اوایل دوره بستری این بیماران ایجاد کردند.

با دقت 95.6 درصد، مدل آنها از همه روش‌های رایج ارزیابی خطر برای این انواع مختلف زوال عقل بهتر عمل کرد. محققان اضافه می‌کنند که هیچ یک از روش‌های فعلی دیگر از هوش مصنوعی برای پیش‌بینی جامع پیامدهای بستری بیماران مسن مبتلا به زوال عقل به این روش استفاده نکرده‌اند و نه عوامل خطر خاصی را شناسایی کرده‌اند که می‌توانند با روش‌های بالینی اضافی یا اقدامات احتیاطی برای کاهش خطرات اصلاح شوند.

این مطالعه نشان داد که اگر بتوانیم بیماران سالمند مبتلا به زوال عقل را به محض بستری شدن در بیمارستان شناسایی کنیم و عوامل خطر مهم را بشناسیم، می‌توانیم مداخلات مناسب را بلافاصله انجام دهیم. با کاهش و تصحیح عوامل خطر قابل تعدیل برای پیامدهای نامطلوب، می‌توانیم نتایج را بهبود بخشیده و مدت اقامت آنها را در بیمارستان کوتاه کنیم.”


Eugene C. Lai، MD، Ph.D.، صندلی وقفی برجسته رابرت W. Hervey برای تحقیقات و درمان پارکینسون در بخش عصب شناسی استنلی اچ.

لای، متخصص مغز و اعصاب، سال‌ها با این بیماران کار کرده است و می‌خواهد راه‌هایی برای درک بهتر نحوه مدیریت و رفتار آنها در هنگام بستری شدن در بیمارستان بررسی کند تا پزشکان بتوانند مراقبت و کیفیت زندگی را برای آنها بهبود بخشند. او با این ایده به استفن تی سی وونگ، دکترای PE، متخصص بیوانفورماتیک و مدیر مرکز TT و WF Chao برای مغز در هوستون متدیست نزدیک شد، زیرا قبلاً با ونگ همکاری کرده بود و می دانست که تیمش به انبار بزرگ داده های بالینی بیماران متدیست هیوستون و توانایی استفاده از هوش مصنوعی برای تجزیه و تحلیل کلان داده ها.

عوامل خطر برای هر نوع زوال عقل، از جمله عواملی که در معرض مداخلات هستند، شناسایی شدند. برترین عوامل خطرزای شناسایی شده در نتیجه بستری شدن در بیمارستان شامل انسفالوپاتی، تعداد مشکلات پزشکی در هنگام بستری، زخم های فشاری، عفونت های دستگاه ادراری، زمین خوردن، منبع بستری، سن، نژاد و کم خونی، با چندین همپوشانی در گروه های چند زوال عقل بود.

در نهایت، هدف محققان اجرای اقدامات کاهشی برای هدایت مداخلات بالینی برای کاهش این پیامدهای منفی است. وونگ می‌گوید استراتژی نوظهور استفاده از پیش‌بینی‌های هوش مصنوعی قدرتمند برای اجرای مسیرهای بالینی «هوشمند» در بیمارستان‌ها جدید است و نه تنها نتایج بالینی و تجربیات بیمار را بهبود می‌بخشد، بلکه هزینه‌های بستری شدن در بیمارستان را نیز کاهش می‌دهد.

گام‌های بعدی ما پیاده‌سازی مدل هوش مصنوعی معتبر در یک برنامه تلفن همراه برای ICU و کارکنان اصلی بیمارستان خواهد بود تا آنها را در مورد بیماران سالمند مبتلا به زوال عقل که در معرض خطر بالای پیامدهای بد بستری هستند و راهنمایی آنها در اقدامات مداخله‌ای برای کاهش چنین بیماری‌هایی در بیمارستان به آنها هشدار دهد. وونگ، نویسنده مسئول مقاله و کرسی برجسته ریاست جمهوری جان اس. دان در مهندسی پزشکی با موسسه تحقیقاتی متدیست هیوستون، گفت: خطرات. “ما با بیمارستان IT کار خواهیم کرد تا این برنامه را به طور یکپارچه در EPIC به عنوان بخشی از اجرای سیستمی برای استفاده معمول بالینی ادغام کنیم.”

او گفت که این همان استراتژی مسیر بالینی هوشمندی را دنبال می‌کند که روی آن کار می‌کردند تا دو برنامه جدید هوش مصنوعی دیگر را که تیمش برای استفاده معمول بالینی در سیستم EPIC توسعه داده‌اند، برای هدایت مداخلاتی که خطر سقوط بیمار با جراحات را کاهش می‌دهند و ارزیابی بهتر پستان ایجاد کرده‌اند، ایجاد کند. خطر سرطان برای کاهش بیوپسی های غیر ضروری و تشخیص بیش از حد.

همکاران وونگ و لای در این مطالعه، شین وانگ، چیکا اف. اِزئانا، لین وانگ، مامتا پوپالا، یونجی هی، شیائوهوی یو، ژنگ یین و هونگ ژائو بودند، همگی با مرکز TT & WF چائو برای مغز در موسسه آکادمیک متدیست هیوستون. و یان سیانگ هوانگ با بیمارستان یادبود شرق دور در تایوان.

این مطالعه با کمک های مالی از مؤسسه ملی بهداشت (R01AG057635 و R01AG069082)، بنیاد TT و WF Chao، بنیاد تحقیقات جان اس. دان، جایزه سنگ بنای متدیست هیوستون و صندوق تحقیقاتی پل ریچارد ژانرت حمایت شد.

منبع:

مرجع مجله:

وانگ، ایکس. و همکاران (2022) عوامل خطر و مدل یادگیری ماشینی برای پیش بینی پیامدهای بستری در بیماران سالمند مبتلا به دمانس. تحقیقات ترجمه آلزایمر و دمانس و مداخلات بالینی. doi.org/10.1002/trc2.12351.



منبع