Ερευνητές χρησιμοποιούν τεχνητή νοημοσύνη για την πρόβλεψη των εισαγωγών από τα Επείγοντα, με στόχο να μειωθεί ο συνωστισμός στα νοσοκομεία και να βελτιωθεί η περίθαλψη των ασθενών.
Νέα έρευνα του Mount Sinai στοχεύει να βοηθήσει γιατρούς στην κατάσταση λήψης κρίσιμων αποφάσεων με χρήση τεχνητής νοημοσύνης για να ανακαλύψουν στοιχεία και να προβλέπεται αν ασθενείς που επισκέπτονται τα Επείγοντα θα πρέπει να νοσηλευτούν.
Ένα νοσοκομείο όπου επικρατεί συνωστισμός δεν είναι ποτέ καλό για ασθενείς ή γιατρούς, καθώς μπορεί να οδηγήσει σε καθυστερήσεις στην αγωγή ή ακόμα και σε θανάτους. Είναι σοβαρό θέμα, που ειδικοί στην περίθαλψη επιθυμούν να αποφεύγουν καθημερινά, λαμβάνοντας σοβαρές αποφάσεις, όπως εισαγωγές, στα Επείγοντα.
Με το ποσοστό στις ΗΠΑ να βρίσκεται στους 28,2 γιατρούς ανα 10.000 ασθενείς, τεχνολογίες όπως αυτή υπόσχονται να συμβάλλουν στον εξορθολογισμό των διαδικασιών στα νοσοκομεία και να διασφαλίσουν ότι κάθε ασθενής περιθάλπεται.
Οι ερευνητές ελπίζουν το βάρος των γιατρών να μειωθεί, επιτρέποντας σε εξελιγμένα μοντέλα όπως το GPT-4 να βοηθούν σε αυτές τις αποφάσεις με ακρίβεια- ακόμα και με περιορισμένα στοιχεία.
Οι ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για να αναλύσουν υπάρχοντα στοιχεία ασθενών, όπως θερμοκρασία, πίεση, παλμούς και ρυθμό αναπνοής, καθώς και σημειώσεις των υγειονομικών.
Εξασφάλισαν ότι δεν συμπεριλήφθηκαν αναγνωρίσιμα δεδομένα ασθενών. Μετά την επεξεργασία στοιχείων 864.000 επισκέψεων στα Επείγοντα, η τεχνητή νοημοσύνη παρήγαγε υποσχόμενα αποτελέσματα: 159.857 ασθενείς ή περίπου 18% διαπιστώθηκε ότι χρειάζονταν εισαγωγή.
Η Dr. Eyal Klang, θεωρεί ότι τα μοντέλα τεχνητής νοημοσύνης, όπως το GPT-4 θα μπορούσαν να βελτιώσουν τη λήψη αποφάσεων από επαγγελματίες υγείας σε υπερφορτωμένα περιβάλλοντα όπως στο τμήμα Επειγόντων.
Η Dr. Klang, πρόσθεσε ότι τα αποτελέσματα προκάλεσαν έκπληξη, καθώς το μοντέλο τεχνητής νοημοσύνης μπορούσε να αιτιολογεί τέτοιες σοβαρές αποφάσεις.
Η μελέτη, επίσης ανέφερε ότι τα ευρήματα ανοίγουν άλλες πιθανότητες, όπως προσαρμογή των μοντέλων ώστε να περιλαμβάνουν παραδοσιακές προβλέψεις μηχανικής μάθησης που υπόσχονται να βελτιώσουν την επίδοση.
Οι ερευνητές εξήγησαν ότι παρά τα υποσχόμενα αποτελέσματα, η χρήση τεχνητής νοημοσύνης για τον καθορισμό των εισαγωγών ασθενών από τα Επείγοντα θα παραμείνει εργαλείο που θα βοηθά γιατρούς και δεν θα αντικαταστήσει τη λήψη αποφάσεων από τους ειδικούς.
Οι ερευνητές σημείωσαν ότι η έρευνα δείχνει πώς τα μοντέλα LLM μπορούν να ενσωματωθούν στις ιατρικές πράξεις.
