По данным Агентства США по исследованию качества здравоохранения, пролежни, также известные как пролежни, являются самым быстрорастущим внутрибольничным заболеванием и в результате стали второй по распространенности причиной исков о медицинской халатности в Соединенных Штатах.
Хотя большинство внутрибольничных пролежней можно разумно предотвратить, ежегодно примерно у 2,5 миллионов человек в Соединенных Штатах возникают пролежни в отделениях неотложной помощи , и 60 000 из них умирают. Общие ежегодные затраты систем здравоохранения США на удовлетворение острых потребностей пациентов с пролежнями во время госпитализации превышают 26 миллиардов долларов, и тем не менее, пролежням уделяется относительно мало внимания как кризису общественного здравоохранения.
Исследователи из Университета Южной Калифорнии, Университета Джона Хопкинса и Медицинского центра университетских больниц Кливленда совместно использовали методы машинного обучения для разработки новой модели для прогнозирования будущего риска пролежней и улучшения управления трудоемким уходом за пациентами.
Опубликованная сегодня в BMJ Open , новая модель оценки рисков повышает точность прогнозирования более чем на 74 %, что более чем на 20 % выше, чем у существующих методов.
Обычные методы и рекомендации по предотвращению пролежней отнимают много времени и утомляют медсестер, находящихся у постели больного. Исследователи отмечают, что стандартный инструмент для прогнозирования риска пролежней — бумажная шкала Брейдена — не менялся с момента своего появления в 1980-х годах и имеет точность 54%.
Экономия времени, затрат и жизней
Исследователи отмечают, что прогнозная аналитика может облегчить некоторую нагрузку на медсестер и медицинских работников, работающих на переднем крае, за счет автоматизации части процесса оценки рисков . В настоящее время поставщики неотложной помощи должны проводить осмотр кожи и оценку риска пролежней при поступлении и каждые 12–24 часа после этого, используя стандартизированный инструмент, такой как шкала Брейдена, которая в первую очередь оценивает подвижность, когнитивные функции, питание и управление недержанием.
«Профилактика пролежней — это дорогостоящий протокол, который необходимо внедрять ежедневно, а существующий инструмент для прогнозирования пролежней едва ли лучше, чем подбрасывание монеты», — говорит Уильям Падула, доцент кафедры фармацевтики и экономики здравоохранения в Университете Южной Калифорнии в Манне и научный сотрудник Университета Южной Калифорнии. Центр политики и экономики здравоохранения имени Леонарда Д. Шеффера Университета Южной Калифорнии. «Мы подумали, что должен быть лучший способ сделать это. Вопрос заключался в том, может ли компьютер выполнить оценку риска лучше, чем сами медсестры у постели больного?»
Алгоритм прогнозирования, разработанный командой, обеспечивает повышенную экономическую эффективность и существенную экономию. Поскольку оценка риска может занять от пяти до 15 минут на одного пациента, это может составлять до 250 рабочих часов в одном учреждении на 500 коек в день и от 30 000 до 90 000 рабочих часов в год.
«Эти данные могут помочь больницам экономить ресурсы в критический период уязвимости пациентов к внутрибольничной пролежне, которая не возмещается программой Medicare США», — говорит Питер Проновост, директор по качеству и трансформации Медицинского центра университетских больниц Кливленда, бывший директор Институт безопасности пациентов Армстронга при больнице Джонса Хопкинса.
Исследование также способствует улучшению справедливости в отношении здоровья. Существующие инструменты не учитывают расу, цвет кожи или возраст. «Если вы не видите синяков на коже пациента, потому что он чернокожий, латиноамериканец или азиат, то вы не сможете так быстро определить более серьезные факторы риска, с которыми он сталкивается», — добавляет Падула. «Методы машинного обучения не подвержены влиянию того, что мы видим в солнечном свете. Это позволяет нам повысить справедливость оказания медицинской помощи, когда речь идет о предотвращении этих состояний, которые в разной степени затрагивают недостаточно представленные меньшинства».
Методы искусственного интеллекта
Используя методы машинного обучения, исследователи проанализировали электронные медицинские записи более чем 35 000 госпитализаций за пять лет в двух академических больницах, чтобы проанализировать изменения риска пролежней с течением времени. Они рассмотрели переменные, включая диагностические коды при поступлении, лекарства, отпускаемые по рецепту, лабораторные заказы и другие факторы, наиболее тесно связанные с факторами риска пролежней.
«Раннее обнаружение на основе искусственного интеллекта значительно превосходит стандарты медицинской помощи. Больницы могут использовать это для инициирования программы повышения качества профилактики пролежней, которая улучшает результаты и значительно снижает нагрузку на сестринский персонал по сравнению с текущими подходами к мониторингу. Кроме того, они могут настраивать алгоритм. к различиям в зависимости от конкретного пациента в зависимости от учреждения», — говорит Сучи Сария, председатель совета директоров Джона К. Мэлоуна, профессор искусственного интеллекта в Университете Джонса Хопкинса и генеральный директор Bayesian Health, компании, занимающейся клинической платформой искусственного интеллекта.
Исследователи провели аналитику, используя методы машинного обучения, такие как случайные леса и нейронные сети, чтобы дополнительно определить удельный вес этих переменных в отношении изменений и риска случая пролежней, и разработали окончательную модель. Они также определили список рецептурных лекарств — бета-блокаторов , электролитов, заменителей фосфатов, заменителей цинка, стимуляторов эритропоэтина, тиазидов/диуретиков, вазопрессоров — которые изменяют риск пролежней у пациентов.
«Насколько нам известно, это самое передовое методологическое исследование по использованию искусственного интеллекта для лучшего выявления пролежней», — говорит Дэвид Армстронг, профессор хирургии Медицинской школы Кека Университета Южной Калифорнии.