వైద్య వృత్తిలో లేని మరియు అత్యవసర గదిలో తిరుగుతున్న ఎవరైనా వేచి ఉన్న గంటలు మరియు నర్సులు మరియు వైద్యులు ER యొక్క దశల ద్వారా రోగులను తరలించే మర్మమైన ప్రక్రియతో అడ్డుపడవచ్చు.
యేల్ స్కూల్ ఆఫ్ మెడిసిన్ మరియు జాన్స్ హాప్కిన్స్ విశ్వవిద్యాలయ పరిశోధకులు ఇటీవల రాశారు కృత్రిమ మేధస్సు వారు సృష్టించిన ప్రోగ్రామ్ చికిత్స యొక్క పనిని మరింత సమర్థవంతంగా మరియు ఖచ్చితమైనదిగా చేయడం ద్వారా అత్యవసర గది ప్రక్రియను మెరుగుపరుస్తుంది. రోగుల తీసుకోవడం వద్ద నర్సులు పరిస్థితుల తీవ్రతను అంచనా వేసినప్పుడు చికిత్స.
అలాగే: AI మీ గ్లూకోజ్ మానిటర్‌ను ఎలా సూపర్ఛార్జ్ చేయగలదు – మరియు ఇతర ఆరోగ్య సమస్యలను పట్టుకోండి
“ట్రెజ్ అనేది వనరుల కేటాయింపుకు లోతైన చిక్కులతో అత్యవసర సంరక్షణలో కీలకమైన మొదటి దశ మరియు చివరికి, అనారోగ్యం మరియు మరణాలతో సహా రోగి ఫలితాలు” అని పండితులు న్యూ ఇంగ్లాండ్ జర్నల్ ఆఫ్ మెడిసిన్లో ప్రచురించిన ఒక అధ్యయనంలో రాశారు.
చికిత్సలో AI ని ఉపయోగించడం
AI ను చికిత్సలో ఉపయోగించడం యొక్క నిజమైన ప్రభావాలను చూపించే మొదటి అధ్యయనం ఇది, రచయితలు నొక్కిచెప్పారు.
ప్రధాన రచయిత ఆర్.
అలాగే: ఈ AI సాధనం మీ ఆరోగ్య ప్రశ్నలకు సమాధానం ఇవ్వడానికి వైద్య పత్రికలను అధ్యయనం చేసింది
సాధనాన్ని ఉపయోగించే నర్సులు రోగులను అత్యవసర గది ప్రక్రియ ద్వారా మరింత వేగంగా తరలించగలిగారు అని రచయితలు కనుగొన్నారు – రోగులను విడుదల చేయడానికి ఎంత సమయం పట్టిందో ఒక మంచం కేటాయించడానికి ఎంత సమయం పట్టిందో ప్రారంభ సంరక్షణను అందించడానికి ఎంత సమయం పట్టింది. ఇవన్నీ మొత్తం ER లో సమయం తగ్గాయి.
“AI- సమాచారం ట్రయాజ్” ప్రోగ్రామ్, “క్లినికల్ డెసిషన్ సపోర్ట్ టూల్” (CDS), ఫలితంగా “మెరుగైన ట్రయాజ్ పనితీరు మరియు ED [emergency department] రోగి ప్రవాహం, “వారు రాశారు, తద్వారా” AI వేచి ఉన్న సమయాలు మరియు ED పొడవును తగ్గించడానికి దారితీస్తుంది. ”
రోగులకు ఆసుపత్రిలో చేరడం, శస్త్రచికిత్స లేదా ఇంటెన్సివ్ కేర్ యూనిట్‌లో ప్రవేశం వంటి క్లిష్టమైన జోక్యాలు అవసరమైనప్పుడు సాధనంతో ఉన్న నర్సులు మరింత శ్రద్ధగలవారని వారు కనుగొన్నారు.
సాధ్యమయ్యే నిర్ణయాల ‘చెట్టు’
అధ్యయనంలో, అత్యవసర విభాగం సంరక్షణపై ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ -ఆధారిత ట్రయాజ్ డెసిషన్ సపోర్ట్ యొక్క ప్రభావంటేలర్ మరియు అతని బృందం కంప్యూటర్ UI ని వివరిస్తుంది, ఇది CDS యొక్క సిఫార్సును నర్సుకు ప్రదర్శిస్తుంది.
AI ప్రోగ్రామ్ పెద్ద భాషా నమూనా కాదు ఓపెనాయ్ యొక్క జిపిటి. ఇది చాలా పాత, మరింత సాంప్రదాయ AI టెక్నిక్ అని పిలుస్తారు “యాదృచ్ఛిక అడవి“ఇది GPT వలె నాడీ నెట్‌వర్క్‌లపై ఆధారపడుతుంది కాని టెక్స్ట్ అవుట్‌పుట్‌లను ఉత్పత్తి చేయదు. బదులుగా, ఇది సాధ్యమయ్యే నిర్ణయాల యొక్క” చెట్టు “ను నావిగేట్ చేస్తుంది మరియు వాటిలో ఉత్తమమైన వాటిని ఎంచుకుంటుంది.
CDS వయస్సు, లింగం, రాక మోడ్, ముఖ్యమైన సంకేతాలు, “చీఫ్ ఫిర్యాదు,” కొమొర్బిడిటీస్ (అధిక రక్తపోటు వంటి ప్రమాద ప్రాంతాలను సూచించే వైద్య పరిస్థితి చరిత్ర) మరియు తీసుకోవడంలో ఉన్న ప్రతి రోగి యొక్క “క్రియాశీల వైద్య సమస్యలు” తో ఇన్పుట్. (ఆసక్తికరంగా, అన్ని సందర్భాల్లో, మూడు అత్యంత సాధారణ ప్రధాన ఫిర్యాదులు కడుపు నొప్పి, ఛాతీ నొప్పి మరియు శ్వాస కొరత.)
డేటా ఇన్పుట్ అయిన తర్వాత, వినియోగదారు ఇంటర్‌ఫేస్ అప్పుడు CDS చేత ఉత్పత్తి చేయబడిన రోగి యొక్క తీవ్రత యొక్క రేటింగ్‌ను ESI లేదా అత్యవసర తీవ్రత సూచిక అని పిలువబడే ప్రామాణిక స్కేల్ ప్రకారం నర్సును చూపించింది. ESI రోగులను 1 నుండి 5 వరకు రేట్ చేస్తుంది, ఈ పరిస్థితి యొక్క తీవ్రత లేదా “తీక్షణత” పరంగా, 1 చాలా తీవ్రంగా ఉంది. యంత్రం యొక్క స్కోరు యొక్క సమర్థన యొక్క సహజ-భాషా సారాంశం కూడా ప్రదర్శించబడింది.
అలాగే: ఈ AI అద్దం మీ బరువు, రక్తపోటు, నిద్ర మరియు మరెన్నో ట్రాక్ చేయగలదు
నర్సులు కంప్యూటర్ యొక్క ESI స్కోరుతో అంగీకరించారా లేదా విభేదించారా అని అడిగారు మరియు వారు సాధారణంగా ER లో చేసే విధంగా వారి స్వంత స్కోరును కేటాయించమని కోరారు. వారి ఒప్పందం లేదా కంప్యూటర్‌తో విభేదాలు ప్రయోగంలో ఒక ముఖ్యమైన వేరియబుల్, ఎందుకంటే నర్సులు AI యొక్క సిఫార్సుతో లేదా కాకపోయినా నర్సులు పనిచేస్తున్నప్పుడు ఏమి జరిగిందో అధ్యయనం కొలుస్తుంది.
రోగి ప్రవాహ ఫలితాలు
“రోగి ప్రవాహంతో” ఏమి జరిగిందో సిడిఎస్ అమలు చేయడానికి ఆరు నెలల ముందు మరియు ఆరు నెలల తరువాత రోగులతో పోల్చబడింది.
ప్రధాన ఫలితం ఏమిటంటే, అధిక లేదా తక్కువ తీక్షణతతో సమూహం చేయబడిన వ్యక్తుల సంఖ్య మార్చబడింది మరియు ఎవరు అధికంగా లేదా తక్కువ ర్యాంక్ పొందారు అనే ప్రొఫైల్ కూడా చేసింది. “తక్కువ” తీక్షణత (ESI 4 లేదా 5) లో ఉంచిన వారి సంఖ్య దాదాపు 50%పెరిగింది, అయితే “అధిక” వర్గంలో మొత్తం దాదాపు 9%తగ్గింది, మరియు మధ్యలో మొత్తం స్థాయి 3, దాదాపు 20%పడిపోయింది. మరో మాటలో చెప్పాలంటే ఎక్కువ మందిని సిడిలతో తక్కువ ప్రమాదానికి గురి చేశారు.
అలాగే, ఎక్కువ మంది పాత రోగులను అధిక-భద్రత సమూహంలోకి తరలించారు, ఎక్కువ మంది యువకులను తక్కువ-భద్రత సమూహంలోకి తరలించారు. ప్రాణాధారాలు, ఫిర్యాదులు మరియు కొమొర్బిడిటీలు ఎలా చూపించాయో కూడా మార్పులు ఉన్నాయి, ఉదాహరణకు, కేటాయించిన తక్కువ-ఆరోగ్యం మరియు శ్వాస కొరతలో ఛాతీ నొప్పి ఎక్కువగా ప్రబలంగా మారింది.
మరో మాటలో చెప్పాలంటే, AI రోగులను “స్తరీకరించడానికి” భిన్నంగా ఫిర్యాదులు భిన్నంగా ఉపయోగించటానికి దారితీసింది.
అలాగే: ‘హెల్త్‌కేర్ యొక్క చాట్‌గ్ప్ట్’ రుమటాయిడ్ ఆర్థరైటిస్ చికిత్సను ఎలా వేగవంతం చేస్తుంది
తక్షణ ప్రతిఫలం, టేలర్ మరియు అతని బృందం రాశారు, రోగులు వేగంగా విషయాల ద్వారా “ప్రవహించారు”. “రాక నుండి ప్రారంభ సంరక్షణ ప్రాంతానికి సమయం తగ్గడం జరిగింది” అని వారు రాశారు. ER నుండి ప్రజలు ఎంత వేగంగా డిశ్చార్జ్ అయ్యారో, సగటున 82 నిమిషాల వరకు మార్పు కూడా ఉంది.
అతిపెద్ద మార్పు ఏమిటంటే, అధిక-భద్రత వర్గంలో ఉన్నవారు క్లిష్టమైన సంరక్షణకు పంపే ముందు తక్కువ సమయం వేచి ఉన్నారు, రెండు గంటలకు పైగా తగ్గింపు. “చాలా ముఖ్యమైన మార్పులు తీవ్రమైన అనారోగ్యంతో బాధపడుతున్నవారు లేదా క్లిష్టమైన సంరక్షణ లేదా అత్యవసర శస్త్రచికిత్స ఫలిత ప్రమాణాలను ఎదుర్కొన్న వారు అనుభవించారు” అని వారు రాశారు.
సామర్థ్యం మాత్రమే ఫలితం కాదు
అయితే ఇది కేవలం సామర్థ్యం కాదు. సిడిలను ఉపయోగిస్తున్నప్పుడు “క్లిష్టమైన సంరక్షణ” కు సరిగ్గా కేటాయించిన రోగుల సంఖ్య పెరిగింది, అంటే చివరికి ఆసుపత్రిలో చనిపోయే లేదా ఇంటెన్సివ్ కేర్ యూనిట్‌లో చేరిన రోగులు చికిత్స సమయంలో ముందే మరింత ఖచ్చితంగా గుర్తించబడ్డారు. AI తో, టేలర్ మరియు అతని బృందం చెప్పినట్లుగా, క్లిష్టమైన సంరక్షణ అవసరమయ్యే కేసులకు నర్సులు మరింత “సున్నితంగా” మారుతున్నారు.
అలాగే: గూగుల్ యొక్క AI సహ-శాస్త్రవేత్త స్టెరాయిడ్లపై ‘టెస్ట్-టైమ్ స్కేలింగ్’. పరిశోధన కోసం అంటే ఏమిటి
“ఫలితాలు ట్రయాజ్ ప్రక్రియలో గణనీయమైన మార్పును ప్రదర్శిస్తాయి” అని టేలర్ మరియు అతని బృందం ఇలా వ్రాశాడు, “మెరుగైన పంపిణీ అమరికతో, AI- అసిస్టెడ్ నర్సులచే అధిక మరియు తక్కువ-రిస్క్ రోగులను గుర్తించడంలో ఖచ్చితత్వాన్ని పెంచింది మరియు రోగి ప్రవాహాన్ని మెరుగైనది.”
“క్లిష్టమైన అనారోగ్యానికి గురయ్యే రోగుల యొక్క ప్రారంభ గుర్తింపులో AI ట్రయాజ్ CD లు ట్రయాజ్ నర్సుల మెరుగైన పనితీరుతో సంబంధం కలిగి ఉన్నాయి; ఇది ED ట్రయాజ్ యొక్క ముఖ్యమైన ప్రాధమిక లక్ష్యం.”
మరియు CDS తో ఎక్కువగా అంగీకరించిన నర్సులు అత్యవసర సంరక్షణ, శస్త్రచికిత్స, ఐసియు, మొదలైన వాటి యొక్క విమర్శలకు మరింత మంచి సున్నితత్వాన్ని కలిగి ఉన్నారు.
ఇక్కడ, టేలర్ మరియు అతని బృందం నర్సులను మంచి నిర్ణయాలకు మార్గనిర్దేశం చేసిన యంత్రం అని ఖచ్చితంగా చెప్పలేము; ఇది మంచి నర్సులు అయి ఉండవచ్చు. వారు వ్రాసినట్లు:
అధిక ఒప్పంద రేట్లతో ఉన్న నర్సు ఉప సమూహం సాధారణంగా AI ని మాత్రమే అధిగమించింది; దీనికి విరుద్ధంగా, తక్కువ ఒప్పంద రేట్లు కలిగిన నర్సు ఉప సమూహం AI కన్నా విశ్వవ్యాప్తంగా అధ్వాన్నంగా ఉంది. మా పరిశోధనలు అధిక ఒప్పందాన్ని మెరుగైన చికిత్స పనితీరుతో అనుసంధానించవచ్చని సూచిస్తున్నప్పటికీ, నర్సుల యొక్క అధిక-అధిరోహణ సమూహం CDS నుండి స్వతంత్రంగా ఎక్కువ క్లినికల్ చతురతను కలిగి ఉండే అవకాశం ఉంది, AI- ఆధారిత సిఫార్సులతో ఎప్పుడు సమలేఖనం చేయాలో బాగా గుర్తించటానికి వీలు కల్పిస్తుంది.
వారి తీర్మానం ఏమిటంటే, “మానవ నిర్ణయం తీసుకోవడం యొక్క నిలుపుదల చాలా క్లిష్టమైనది మరియు AI ని మానవ తీర్పుతో అనుసంధానించడానికి సినర్జిస్టిక్ సామర్థ్యాన్ని హైలైట్ చేసే ముందస్తు అధ్యయనాలతో అనుసంధానించబడి ఉంది.”
పరిమితులు
మానవ నర్సుల వ్యక్తిగత చతురత యొక్క పాత్ర గురించి అనిశ్చితి అధ్యయనం యొక్క పరిమితి మాత్రమే కాదు. అదనంగా, వేర్వేరు ER లు కాలానుగుణ పోకడలను కలిగి ఉంటాయి, అవి “గందరగోళదారులు”, అధ్యయనం యొక్క ఫలితాలను సమస్యాత్మకంగా చేసే అంశాలు.
మరొక పరిమితి ఏమిటంటే, సిడిలు ఎలక్ట్రానిక్ హెల్త్ రికార్డులను ఆకర్షించాయి, ఇవి రోగుల గురించి ప్రత్యేకత లేకపోవడం వంటి వారి స్వంత పరిమితులను కలిగి ఉన్నాయి.
అలాగే: 10 ముఖ్య కారణాలు AI రాత్రిపూట ప్రధాన స్రవంతికి వెళ్ళింది – మరియు తరువాత ఏమి జరుగుతుంది
చాలా లోతైన పరిమితి ఏమిటంటే, ER తరువాత రోగులకు ఏమి జరిగిందో అధ్యయనం అనుసరించలేదు. మంచి చికిత్స మంచి రోగి ఫలితాలకు దారితీసిందా? ఇది స్పష్టంగా లేదు, టేలర్ మరియు అతని జట్టు రాశారు.
“భవిష్యత్ పరిశోధన అత్యవసర సెట్టింగులలో క్లినికల్ నిర్ణయం తీసుకోవడంలో AI మద్దతు యొక్క చిక్కులను పూర్తిగా అర్థం చేసుకోవడానికి ఈ దీర్ఘకాలిక అంశాలను పరిగణించాలి” అని వారు రాశారు.
చాలా చమత్కారమైన తీర్మానం – మరియు ఇది అన్ని AI అమలులకు సంబంధించినది – AI నిర్దిష్ట అమరికకు ట్యూన్ చేయాల్సిన అవసరం ఉంది. ఈ ప్రయోగం యుఎస్ యొక్క ఒక నిర్దిష్ట ప్రాంతంలో ముగ్గురు ER లలో జరిగింది మరియు ఫలితాలలో ఇది స్పష్టంగా పాత్ర పోషిస్తుంది.
టేలర్ మరియు అతని బృందం వ్రాసినట్లు:
ఆరోగ్య సంరక్షణలో AI సాధనాలు సైట్-నిర్దిష్ట విస్తరణ వ్యూహాల ద్వారా వారి పూర్తి సామర్థ్యాన్ని చేరుకోవచ్చని మా డేటా సూచిస్తుంది. ఈ విధానం విస్తృత సాధారణీకరణపై ప్రస్తుత ప్రాముఖ్యత నుండి నిష్క్రమణను సూచిస్తుంది మరియు ఆరోగ్య సంరక్షణలో AI యొక్క మరింత సూక్ష్మమైన, సందర్భ-సున్నితమైన అనువర్తనం వైపు మారడాన్ని సూచిస్తుంది.
