Stanford Health sử dụng trí tuệ nhân tạo để giảm thiểu các sự kiện suy giảm lâm sàng – TechToday
Phát hiện sự suy giảm lâm sàng ở bệnh nhân sớm hứa hẹn giảm tỷ lệ tử vong và cải thiện kết quả. Tuy nhiên, vẫn còn là một thách thức ở cả bệnh viện và cảnh báo khẩn cấp tại nhà.
Stanford Health Care đã giải quyết thách thức này bằng cách tích hợp các mô hình trí tuệ nhân tạo và học máy đã được xác minh vào hệ thống hỗ trợ quyết định lâm sàng. Họ cũng tích hợp trí tuệ nhân tạo vào các luồng làm việc lâm sàng và cải thiện trải nghiệm của bệnh nhân – bao gồm giảm thời gian chờ đợi, cải thiện chất lượng chăm sóc và tạo điều kiện cho cuộc trò chuyện quan trọng.
Tiến sĩ Shreya Shah, một bác sĩ thực hành, chuyên gia về tích hợp trí tuệ nhân tạo trong lĩnh vực chăm sóc sức khỏe tại Stanford Health Care, sẽ chia sẻ về các nỗ lực sử dụng trí tuệ nhân tạo của hệ thống y tế tại Diễn đàn Trí tuệ nhân tạo trong Chăm sóc sức khỏe HIMSS 2023, dự kiến diễn ra vào ngày 14-15 tháng 12 tại San Diego. Đưa ra một trường hợp nghiên cứu có tiêu đề “Stanford Health đã biến đổi Chăm sóc bệnh nhân bằng cách kết hợp lòng nhân ái với Các đổi mới của trí tuệ nhân tạo.”
Chúng tôi đã trò chuyện với Shah để có một cái nhìn sơ bộ về phiên của cô và hiểu sâu hơn về cách Stanford Health Care sử dụng trí tuệ nhân tạo và học máy.
Vì sao phát hiện sự suy giảm lâm sàng ở bệnh nhân vẫn là một thách thức?
Bệnh nhân trong bệnh viện ngày càng phức tạp và nghiêm trọng hơn trong khi chăm sóc độ thấp di chuyển về nhà, chăm sóc ngoại trú hoặc điều trị cấp độ thấp hơn. Tại một trung tâm y tế học thuật, điều này càng trở nên sâu đậm hơn với bệnh nhân có nguy cơ suy giảm lâm sàng cao.
Các dấu hiệu sớm có thể tinh tế và thay đổi rộng lớn giữa các bệnh nhân. Xác định bệnh nhân nào cần sự chú ý gần nhất là một việc rất khó khăn. Hơn nữa, những bệnh nhân này được chăm sóc bởi các đội ngũ chăm sóc đa người và yêu cầu đánh giá một lượng lớn dữ liệu thay đổi theo thời gian.
Các nhóm có thể trải qua khoảng trống giao tiếp, quá tải thông tin và thiên lệch kognitif dẫn đến sự suy giảm lâm sàng không lường trước với hậu quả lớn như nỗ lực cấp cứu khẩn cấp và chuyển giao không kế hoạch đến chăm sóc ICU. Cũng có thể có mức độ phù hợp khác nhau giữa các thành viên của đội ngũ về nhận thức về rủi ro.
Các luồng làm việc chuẩn hóa cho việc phối hợp chăm sóc mà tạo điều kiện cho tất cả các thành viên của đội ngũ chăm sóc trong quyết định chăm sóc bệnh nhân có thể giúp vượt qua những thách thức này.
Làm sao bạn quyết định trí tuệ nhân tạo và học máy là cách để giúp đỡ trong thách thức này?
Chúng tôi cần phát hiện bệnh nhân có nguy cơ tăng và phối hợp đội ngũ chăm sóc xung quanh một phản ứng lâm sàng chuẩn hóa, đa ngành. Chúng tôi quyết định rằng một mô hình học máy có thể xác định bệnh nhân với xác suất cao của một sự kiện suy giảm lâm sàng trong tương lai mà không cần các nhiệm vụ bổ sung cho các bác sĩ đang làm việc.
Các dự đoán sẽ phải được thực hiện sớm đủ để cho phép đội ngũ chăm sóc phản ứng.Độ chính xác luôn là một vấn đề, và các bác sĩ thường tin rằng hệ thống trí tuệ nhân tạo sẽ không nói với họ điều gì họ không biết.
Trong việc triển khai của chúng tôi, sự tập trung không phải là xem xét xem dự đoán mô hình có chính xác hay không. Thay vào đó, với mỗi bệnh nhân được đánh dấu bởi mô hình, các thành viên của đội ngũ chăm sóc của bác sĩ và phi bác sĩ phải thực hiện một luồng làm việc cộng tác có kết cấu để đánh giá nguy cơ và phản ứng. Do đó, một mô hình xác suất tạo ra một kích hoạt dựa trên đội.
Nỗ lực triển khai của chúng tôi tập trung vào những diện tích ưu tiên này: 1) Thiết kế một hệ thống sẽ tích hợp mô hình học máy vào một hệ thống chăm sóc sức khỏe phức tạp, 2) Xây dựng những đội ngũ và quy trình hiệu quả để cho phép các luồng làm việc cộng tác yêu cầu cho việc triển khai thành công, và 3) Triển khai những hệ thống tích hợp trí tuệ nhân tạo này một cách bền vững và có thể mở rộng cho doanh nghiệp chăm sóc sức khỏe.
Sự tập trung là tạo ra một hệ thống toàn diện không chỉ bao gồm công nghệ tiên tiến mà còn liên kết với những nhu cầu lâm sàng, vận hành và chiến lược.
Một ví dụ về cách tích hợp các mô hình nhận diện và xác minh của trí tuệ nhân tạo và học máy vào các hệ thống hỗ trợ quyết định lâm sàng đã giúp Stanford với thách thức suy giảm lâm sàng là gì?
Mô hình suy giảm lâm sàng của chúng tôi được xác minh trên dữ liệu của chúng tôi để đảm bảo hiệu suất của mô hình; sau đó, các tín hiệu đã được tích hợp vào hồ sơ điện tử của chúng tôi với đầy đủ tính minh bạch, bao gồm các yếu tố đóng góp và được bổ sung với cảnh báo di động đến các đội ngũ chăm sóc.
Mô hình học máy có khả năng cập nhật dự đoán về bệnh nhân nhập viện mỗi 15 phút và được sử dụng để hành động như một bộ định rõ nguy cơ khác nhau và giúp tạo điều kiện cho sự phối hợp và phối hợp trong quyết định chăm sóc và thậm chí là hệ thống tích hợp trí tuệ nhân tạo.
Mô hình đã trải qua sự xác minh cụ thể cho từng địa điểm để đảm bảo hiệu quả của nó trong việc dự đoán các sự kiện suy giảm lâm sàng như chuyển giao ICU không kế hoạch trong khoảng thời gian từ 6-18 giờ. Luồng làm việc này dẫn đến sự tăng đáng kể trong việc đánh giá chuẩn hóa bởi đa ngành và giảm 20% sự kiện suy giảm lâm sàng.
Kết quả đánh giá chất lượng xác định rằng mô hình hữu ích trong việc phối hợp mô hình tâm lý và đẩy các luồng làm việc cần thiết cho bệnh nhân được đánh dấu bởi mô hình với sự đồng thuận pháp lý giữa các thành viên đội ngũ đa ngành. Bằng cách sử dụng tín hiệu rủi ro được cập nhật đáng tin cậy và liên tục, chúng tôi đã điều chỉnh các bác sĩ với phần còn lại của đội ngũ chăm sóc để thực hiện một luồng làm việc nhất quán.
Nguồn: https://techtoday.co/stanford-health-uses-ai-to-reduce-clinical-deterioration-events/
Detecting patient clinical deterioration early on holds the promise to decrease mortality and improve outcomes. However, it remains a challenge in both hospital and ambulatory settings.
Stanford Health Care addressed this challenge by incorporating validated models of artificial intelligence and machine learning into clinical decision support systems. They also integrated AI into clinical workflows and improved the patient experience – including reducing wait times, improving quality of care and facilitating critical conversations.
Dr. Shreya Shah is a practicing academic internist, board certified practitioner in clinical informatics and expert in healthcare integration of artificial intelligence at Stanford Health Care.
She will be speaking on the health system’s AI efforts at the 2023 HIMSS AI in Healthcare Forum, scheduled for December 14-15 in San Diego, offering a case study titled, “How Stanford Health Transformed Patient Care by Combining Compassion with AI-Driven Innovations.”
We spoke with Shah to get a sneak preview of her session and a deeper understanding of how Stanford Health Care is using AI and ML.
Q. Why does detecting clinical deterioration in patients remain a challenge?
A. Patients in hospitals are of increasing complexity and severity of illness while lesser acuity care moves to the home, outpatient care or subacute level of management. Within an academic medical center, this is even more profound with patients at high risk for clinical deterioration.
Early signs may be subtle and vary widely between patients. Identifying which patients need the closest attention is needle-in-a-haystack activity. Moreover, these patients are cared for by multi-person care teams and require assessments of large amounts of data that change over time.
Teams can experience communication gaps, information overload and cognitive biases leading to unanticipated clinical deterioration with major consequences such as emergency resuscitation efforts and unplanned transfers to ICU care. There may also be varying degrees of alignment among team members about perceptions of risk.
Standardized workflows for care coordination that empower all care team members in patient care decisions could help overcome these challenges.
Q. How did you decide that AI and ML was the way to go to help with this challenge?
A. We needed to identify patients at increased risk and align the care team around a collaborative, standardized clinical response. We determined that an ML model can identify patients with a high probability of a future clinical deterioration event without additional tasks for our working clinicians.
The predictions would have to be performed early enough to allow for enough time for the care team to respond. Accuracy is always a concern, and clinicians often believe that the AI system will not tell them something they do not already know.
In our implementations, the emphasis was not whether the model predictions were correct. Rather, for any given patient flagged by the model, physician and nonphysician care team members had to carry out a structured collaborative workflow to assess risk and response. Thus, a probabilistic model creates a team-based trigger.
Our implementation effort focused on these priority areas: 1) Designing a system that would integrate the ML model into a complex healthcare system, 2) Building effective teams and processes to enable the collaborative workflows required for successful implementation, and 3) Deployment of these AI-integrated systems in a way that is both sustainable and scalable for the healthcare enterprise.
The focus was on creating a holistic system that not only incorporates advanced technology but also aligns with the clinical, operational and strategic needs.
Q. What is one example of how incorporating validated models of AI and ML into clinical decision support systems helped Stanford with the clinical deterioration challenge?
A. Our clinical deterioration model was validated on our data to assure model performance; then, the signals were integrated into our EHR with full transparency, including contributing factors and augmented with a mobile alert to the care team.
The ML model is able to update predictions on hospitalized patients every 15 minutes and was used to act as an objective assessor of risk and helped to facilitate alignment and coordination in patient care as an AI-integrated system.
The model underwent site-specific validation to ensure its effectiveness in predicting clinical deterioration events like unplanned ICU transfers within a 6- to 18-hour window. This workflow led to significant increases in multidisciplinary standardized patient assessments and a resulting 20% reduction in clinical deterioration events.
Qualitative evaluation results identified that the model was useful in aligning mental models and driving the necessary workflows for patients flagged by the model with consensus across multidisciplinary team members. By using a reliably and continuously updated risk signal, we aligned the physicians with the rest of the care team to enact a consistent workflow.
Follow Bill’s HIT coverage on LinkedIn: Bill Siwicki
Email him: [email protected]
Healthcare IT News is a HIMSS Media publication.
