Инструмент искусственного интеллекта, разработанный исследователями UCL вместе с персоналом UCLH, используется для прогнозирования того, сколько пациентов, проходящих через отделение неотложной помощи, необходимо будет госпитализировать в больницу, помогая планировщикам управлять спросом на койки.
Инструмент, описанный в новой статье в npj Digital Medicine , оценивает, сколько больничных коек потребуется через четыре и восемь часов, просматривая данные о пациентах , поступивших в отделение неотложной помощи больницы.
В ходе исследования исследовательская группа показала, что инструмент был более точным, чем обычный контрольный показатель, используемый планировщиками, основанный на среднем количестве коек, необходимых в один и тот же день недели в течение предыдущих шести недель.
Инструмент, который также учитывает пациентов, еще не поступивших в больницу, также предоставляет гораздо более подробную информацию, чем традиционный метод. Вместо однозначного прогноза на день в целом инструмент включает распределение вероятностей того, сколько коек потребуется через четыре и восемь часов, и предоставляет свои прогнозы четыре раза в день, рассылаемые по электронной почте планировщикам больниц.
Исследовательская группа в настоящее время работает с UCLH над уточнением моделей, чтобы они могли оценить, сколько коек потребуется в различных помещениях больницы (например, коек в медицинских отделениях или хирургических отделениях).
Ведущий автор доктор Зелла Кинг (Отдел клинических операционных исследований UCL и Институт медицинской информатики UCL) сказал: «Наши модели ИИ дают гораздо более полную картину вероятного спроса на койки в течение дня. Они используют данные пациентов. в момент записи этих данных. Мы надеемся, что это поможет специалистам по планированию управлять потоком пациентов — сложной задачей, которая включает балансировку запланированных пациентов с экстренными госпитализациями. Это важно для сокращения количества отмененных операций и обеспечения высококачественного лечения.»
Элисон Клементс, руководитель отдела операций, потока пациентов и готовности к чрезвычайным ситуациям, устойчивости и реагирования в UCLH, сказала: «Этот инструмент ИИ будет чрезвычайно полезен, помогая нам управлять госпитализацией и потоком пациентов в UCLH. Наш следующий шаг — начать использовать прогнозы в UCLH. ежедневный поток скопился. Мы с нетерпением ждем продолжения работы с UCL по совершенствованию инструмента и расширению его прогностических возможностей в больнице».
Исследователи обучили 12 моделей машинного обучения, используя данные пациентов, записанные в UCLH в период с мая 2019 года по июль 2021 года. Эти модели оценивали вероятность госпитализации каждого пациента из отделения неотложной помощи на основе данных, начиная от возраста и того, как пациент прибыл в больницу, для проверки результатов и количества консультаций, а также объединили эти вероятности для общей оценки необходимого количества коек.
Затем они сравнили прогнозы моделей с фактическими поступлениями в период с мая 2019 года по март 2020 года и обнаружили, что они превзошли традиционный метод: центральные прогнозы в среднем на четыре приема от фактического числа по сравнению с традиционным методом, который в среднем отличался на 6,5 приема. После появления COVID исследователи смогли адаптировать модели, чтобы учесть значительные различия как в количестве прибывающих людей, так и в количестве времени, которое они провели в отделении неотложной помощи .
Старший автор профессор Соня Кроу, директор отдела клинических операционных исследований UCL, сказала: «Большинство приложений ИИ в здравоохранении до сих пор были сосредоточены на клинических вопросах, тогда как инструмент, который мы разработали с UCLH, направлен на помощь операционной стороне здравоохранения— то есть, как он запускается и управляется.
«Эта работа стала возможной благодаря тесному сотрудничеству между исследователями UCL и персоналом UCLH. Наш подход адаптирован к системам UCLH, но мы надеемся, что он также может быть адаптирован больницами в других местах».
Лоррейн Уолтон, менеджер по клиническим операциям в UCLH по управлению больничными койками, сказала: «Преимущество этого инструмента заключается в том, что он может реагировать на изменения потребностей и характеристик пациентов в режиме реального времени. Эти изменения могут быть краткосрочными или долгосрочными. что этот инструмент может быть адаптирован для использования во время пандемии. Важно отметить, что после доработки этот инструмент поможет улучшить опыт пациентов и улучшить результаты».
Каждая из 12 моделей фокусировалась на данных в разные промежутки времени с момента прибытия пациента: первая модель фокусировалась только на данных, записанных в момент прибытия, вторая — на данных, записанных в первые 15 минут, а модель 12 — на данных, записанных в течение 12 часов. Это связано с тем, что факторы различались по важности в зависимости от прошедшего времени и от того, сколько других данных было доступно. Например, в модели 1 способ прибытия в больницу был важным фактором, но в более поздних моделях он стал менее важным. Исследователи обнаружили, что использование 12 моделей вместе было более точным, чем использование меньшего количества моделей.
