研究人員開發了一款 AI 賦能的工具，可以分析護士的輪班筆記，從而比傳統方法更早地識別入院患者的健康狀況可能惡化或處于“崩潰”的邊緣
在早期試驗中，名為“關注早期警報系統 ( CONCERN EWS) ”的 AI 工具幫助將患者的死亡風險降低了 35% 以上，同時將平均住院時間減少了半天以上。
從 2020 年到 2022 年，臨床試驗共涉及超過 6 萬名患者，在部署 CONCERN EWS 的醫院收治的患者中，毒癥風險降低了 7.5%。如果廣泛復制這些結果，可以為醫院系統提供一種可靠的方法來改善患者的治療效果，同時降低住院治療的相關成本。
在 4 月份發表在《自然醫學》 (Nature Medicine) 上的一項研究中，由哥倫比亞大學和賓夕法尼亞州大學的研究人員領導的 AI 背后的團隊概述了機器學習算法如何優先考慮護士的敏銳醫學觀察。護士通常會頻繁與患者互動，并且通常會發現患者健康狀況中可能被忽視的細微但重要的變化。
CONCERN EWS 以一種意想不到的方式深入探討了護士所看到的內容，以便做出準確且富有洞察力的預測。AI 理解自然語言，并能讀取護士在患者電子健康記錄 (EHR) 中記錄的內容。但其主要創新是將與這些筆記關聯的元數據點連接起來。
例如，護士可能會注意到患者的顏色略有變化，他們看起來昏昏欲睡，或者在認知上看起來不正常。因此，護士可能會增加對患者的檢查頻率，或者在患者看起來更健康之前暫停服用某些藥物。關注 EWS 專注于護士做出的這些微觀決策。
作為理解護士見解的代理，CONCERN EWS 會分析與每個 EHR 條目相關的元數據 (例如日期、時間和位置) ，尋找可能存在問題的模式。該系統會注意到護士評估患者的頻率是否高于正常情況，以及這些就診是否發生在午夜或其他罕見的時間。當系統發現令人震驚的模式時，它會提醒護理團隊，患者的健康狀況可能會惡化。
該研究的主要作者、哥倫比亞大學生物醫學信息學和護理副教授 Sarah Rossetti 指出，通過護士的眼睛和記錄仔細檢查患者，ML 模型幫助將患者的住院時間平均減少了 11%。
研究人員使用 NVIDIA RTX A2000 12GB 顯卡來開發其算法。
在臨床試驗期間，CONCERN EWS 已部署在馬薩諸塞州和紐約兩家醫院系統的四家醫院中。與傳統方法相比，它能夠幫助護理團隊平均提前 42 小時發現問題跡象。這讓團隊能夠更好地在患者的健康面臨風險之前介入。
今年 5 月，這些喜人的成果幫助該研究團隊贏得了美國護士基金會每年頒發的三項著名“Reimagining Nursing Initiative”獎項中的一項。每位獲獎者將獲得總計 150 萬美元的部分資助。
Rossiti 表示，該團隊由賓夕法尼亞州大學信息學教授 Kenrick Cato 共同領導，將利用其部分撥款與科羅拉多兒童醫院合作，創建其當前模型的兒科版本，并在社區醫院進行評估。
閱讀有關 CONCERN EWS 的其他新聞報道或觀看有關該技術的視頻。
?
