هر فردی که در حرفه پزشکی نیست و به طور اتفاقی وارد اتاق اورژانس شده باشد، ممکن است از ساعتها انتظار و روند مرموزی که پرستاران و پزشکان بیماران را از طریق مراحل اورژانس منتقل میکنند، سردرگم شود.
محققان دانشکده پزشکی ییل و دانشگاه جانز هاپکینز اخیراً نوشتند که یک برنامه هوش مصنوعی که ایجاد کردهاند، میتواند با کارآمدتر و دقیقتر کردن وظیفه تریاژ، فرایند اتاق اورژانس را بهبود بخشد. تریاژ زمانی است که پرستاران شدت وضعیت بیماران را در هنگام پذیرش ارزیابی میکنند.
محققان در مطالعهای که در مجله پزشکی نیوانگلند (The New England Journal of Medicine) منتشر شد، نوشتند: «تریاژ یک گام اولیه حیاتی در مراقبتهای اورژانسی است که پیامدهای عمیقی برای تخصیص منابع و در نهایت، پیامدهای بیمار، از جمله عوارض و مرگ و میر دارد.»
استفاده از هوش مصنوعی در تریاژ
نویسندگان ادعا میکنند که این اولین مطالعه از نوع خود است که اثرات واقعی استفاده از هوش مصنوعی در تریاژ را نشان میدهد.
نویسنده اصلی، آر. اندرو تیلور (R. Andrew Taylor) و همکارانش، یک آزمایش سه ساله از سال 2020 تا 2023 را شرح میدهند که در آن پرستاران اتاق اورژانس در سه اورژانس در شمال شرقی ایالات متحده از برنامه هوش مصنوعی برای 176,648 بیمار استفاده کردند تا به پرستاران کمک کنند شدت موارد را در هنگام پذیرش رتبهبندی کنند.
نویسندگان دریافتند که پرستاران با استفاده از این ابزار قادر بودند بیماران را سریعتر از طریق فرایند اتاق اورژانس منتقل کنند - از مدت زمانی که طول میکشید تا مراقبتهای اولیه ارائه شود تا مدت زمانی که طول میکشید تا یک تخت اختصاص داده شود تا مدت زمانی که طول میکشید تا بیماران مرخص شوند. همه اینها منجر به کاهش زمان کلی در اورژانس شد.
برنامه "تریاژ مبتنی بر هوش مصنوعی"، یک "ابزار پشتیبانی از تصمیمگیری بالینی" (CDS)، منجر به "بهبود عملکرد تریاژ و جریان بیمار در بخش اورژانس" شد، به طوری که "هوش مصنوعی میتواند منجر به کاهش زمان انتظار و طول مدت اقامت در بخش اورژانس شود."
اما آنها همچنین دریافتند که پرستاران با استفاده از این ابزار به زمانهایی که بیماران نیاز به مداخلات حیاتی داشتند، مانند بستری شدن در بیمارستان، جراحی یا بستری شدن در بخش مراقبتهای ویژه، توجه بیشتری داشتند.
"درختی" از تصمیمات احتمالی
در مطالعه "تاثیر پشتیبانی از تصمیمگیری تریاژ مبتنی بر هوش مصنوعی بر مراقبتهای بخش اورژانس" (Impact of Artificial Intelligence–Based Triage Decision Support on Emergency Department Care)، تیلور و تیمش یک رابط کاربری رایانهای را توصیف میکنند که توصیه CDS را به پرستار نشان میدهد.
برنامه هوش مصنوعی یک مدل زبانی بزرگ مانند GPT اوپنایآی (OpenAI) نیست. این یک تکنیک هوش مصنوعی قدیمیتر و سنتیتر به نام "جنگل تصادفی" (random forest) است که مانند GPT به شبکههای عصبی متکی است اما خروجیهای متنی تولید نمیکند. در عوض، یک "درخت" از تصمیمات احتمالی را پیمایش میکند و بهترین آنها را انتخاب میکند.
CDS با سن، جنسیت، نحوه ورود، علائم حیاتی، "شکایت اصلی"، بیماریهای همراه (سابقه وضعیت پزشکی که ممکن است نشاندهنده مناطق پرخطر مانند فشار خون بالا باشد) و "مشکلات پزشکی فعال" هر بیمار در هنگام پذیرش وارد شد. (جالب اینجاست که در تمام موارد، سه شکایت اصلی رایج درد شکم، درد قفسه سینه و تنگی نفس بود.)
پس از وارد کردن دادهها، رابط کاربری سپس رتبهبندی شدت بیمار را که توسط CDS مطابق با یک مقیاس استاندارد به نام ESI یا شاخص شدت اورژانس (Emergency Severity Index) ایجاد شده بود، به پرستار نشان داد. ESI بیماران را از 1 تا 5 بر اساس جدی بودن یا "حدت" وضعیت رتبهبندی میکند که 1 جدیترین است. یک خلاصه به زبان طبیعی از توجیه نمره ماشین نیز نمایش داده شد.
از پرستاران پرسیده شد که آیا با نمره ESI رایانه موافق هستند یا مخالف، و از آنها خواسته شد که نمره خود را همانطور که معمولاً در اورژانس انجام میدهند، اختصاص دهند. توافق یا مخالفت آنها با رایانه یک متغیر مهم در آزمایش بود زیرا مطالعه اندازهگیری کرد که وقتی پرستاران با توصیه هوش مصنوعی موافق یا مخالف بودند چه اتفاقی افتاد.
نتایج جریان بیمار
آنچه در مورد "جریان بیمار" اتفاق افتاد، برای بیماران شش ماه قبل از اجرای CDS و شش ماه بعد مقایسه شد.
نتیجه اصلی این است که تعداد افراد گروهبندی شده بر اساس حدت بالا یا پایین تغییر کرد و همچنین مشخصات افرادی که رتبه بالا یا پایین داشتند نیز تغییر کرد. تعداد افرادی که در حدت "پایین" (ESI 4 یا 5) قرار گرفتند تقریباً 50٪ افزایش یافت، در حالی که کل افراد در رده "بالا" تقریباً 9٪ کاهش یافت و کل افراد در سطح متوسط، سطح 3 نیز تقریباً 20٪ کاهش یافت. به عبارت دیگر، افراد بیشتری با CDS به سمت خطر کمتری سوق داده شدند.
همچنین، بیماران مسنتر بیشتری به گروه حدت بالا منتقل شدند، در حالی که افراد جوانتر بیشتری به گروه حدت پایین منتقل شدند. همچنین تغییراتی در نحوه بروز علائم حیاتی، شکایات و بیماریهای همراه ایجاد شد، به عنوان مثال، درد قفسه سینه در افرادی که حدت پایین به آنها اختصاص داده شده بود بیشتر شد و تنگی نفس در بین کسانی که حدت بالا به آنها اختصاص داده شده بود بیشتر دیده شد.
به عبارت دیگر، هوش مصنوعی منجر به استفاده متفاوت از شکایات برای "طبقهبندی" بیماران شد.
تیلور و تیمش نوشتند که بازده فوری این بود که بیماران سریعتر از طریق چیزها "جریان" داشتند. آنها نوشتند: «کاهش مشاهده شده در زمان از ورود به ناحیه مراقبتهای اولیه وجود داشت.» همچنین تغییری در سرعت ترخیص افراد از اورژانس ایجاد شد، به طوری که کل زمان اقامت برای همه کاهش یافت.
وقتی پرستاران با توصیه CDS مخالفت کردند، این تأثیرها به حداقل رسید. تیلور و همکارانش مینویسند: «هنگامی که تریاژ توسط نمره تریاژ CDS تأیید شد، اثربخشی افزایش مییابد، در حالی که اگر با CDS مخالفت شود، این اثر ضعیف میشود.»
آنها نوشتند: «پشتیبانی از تصمیمگیری تریاژ مبتنی بر هوش مصنوعی به طور قابل توجهی با بهبود جریان بیمار و کاهش زمان انتظار در بخش اورژانس همراه است، اما نتایج وابسته به میزان استفاده از سیستم توسط پرستار است.»
هشدارها
نویسندگان به یک نتیجه خلافآمدعادت در دادهها اشاره کردند: اگرچه هوش مصنوعی باعث شد بیماران سریعتر از اورژانس منتقل شوند، اما به نظر نمیرسید که آن اقامت کوتاهتر بیمارستانی ناشی از CDS باشد. میزان پذیرش بیمارستانی، میزان مرگ و میر و میزان ویزیتهای بازگشتی در گروهی که CDS در آن بود، کاهش نیافت.
نویسندگان در مورد چگونگی تعمیم نتایج به طور گسترده نوشتند: «مطالعه ما ممکن است تعمیمپذیر نباشد، زیرا جمعیت مورد مطالعه محدود به سه بخش اورژانس آکادمیک بزرگ در شمال شرقی ایالات متحده است.»
با این حال، آنها افزودند که یافتههای آنها ممکن است حتی بیشتر در بخشهای شلوغتر قابل تعمیم باشد: «بخشهای اورژانس با ظرفیت محدود یا دارای شلوغی اغلب میتوانند با پیادهسازی سیستمهای پشتیبانی تصمیمگیری برای افزایش کارایی و کاهش اتلاف زمان در طول تریاژ بیمار، از این برنامه بهرهمند شوند.»
مهمتر از همه، نویسندگان خاطرنشان کردند که این مطالعه یک مداخله هوش مصنوعی را در دنیای واقعی با همه نقصهایش مستند کرده است.
آنها نوشتند: «اثرات بالینی بالینی بالینی تریاژ مبتنی بر هوش مصنوعی ممکن است توسط محدودیتهای سازمانی محلی مانند تفاوت در الگوهای کارکنان، ظرفیت بستر یا پروتکلها تعدیل شود.»
آنها افزودند: «ما شواهدی از این دریافتیم که چگونه اثرات سیستم در بخشهایی که پرستاران به طور مکرر توصیههای سیستم را لغو کردند، ضعیفتر شد.»
اما کل اثر مهم است: تریاژ بهتر، بیمارستانی کارآمدتر. و این یک تصویر دیگر از این است که چگونه هوش مصنوعی وعده میدهد که مراقبت از بیمار را کارآمدتر و بهتر کند.