Анализ ИИ выявил четыре длительные подгруппы пациентов с COVID и их потребности
В Соединенных Штатах нет ни одной одинаковой больницы. Оборудование, персонал, технические возможности и контингент пациентов могут различаться. Таким образом, хотя профили, разработанные для людей с распространенными заболеваниями, могут показаться универсальными, реальность такова, что существуют нюансы, требующие индивидуального внимания, как в составе пациентов, которых принимают, так и в ситуациях в больницах, предоставляющих им помощь.
Новые исследования показывают, что искусственный интеллект может улучшить уход в целом, просматривая данные разных больниц, чтобы создавать более точные группы пациентов, похожие на местное население , которое больницы фактически видят. ИИ может помочь определить типичные потребности в уходе, например, какие конкретные отделения и бригады по уходу требуются для удовлетворения потребностей пациентов.
В рамках проекта, возглавляемого исследователями из Медицинской школы Перельмана при Пенсильванском университете, результаты которого были опубликованы в журнале Cell Patterns , были проанализированы электронные медицинские карты пациентов, длительно болеющих COVID, и выявлены четыре подгруппы пациентов, например, страдающие астмой или психическими расстройствами , а также их особые потребности.
«Существующие исследования объединяют данные из нескольких больниц, но не учитывают различия в группах пациентов, и это ограничивает возможность применения результатов для принятия решений на местном уровне», — сказал Юн Чен, доктор философии, профессор биостатистики и старший автор исследования. «Наша работа предлагает преимущество более обобщенных знаний с точностью применения в конкретной больнице».
Исследовательская группа использовала метод машинного обучения искусственного интеллекта под названием «скрытое трансферное обучение» для изучения деидентифицированных данных о пациентах с длительным COVID-19, взятых из восьми различных детских больниц. Благодаря этому они смогли выделить четыре подгруппы пациентов, у которых уже были проблемы со здоровьем. Эти четыре группы включали:
Психические заболевания, включая тревожность, депрессию, нарушения развития нервной системы и синдром дефицита внимания и гиперактивности
Атопические/аллергические хронические заболевания, такие как астма или аллергии
Несложные хронические заболевания, такие как проблемы со зрением или бессонница
Сложные хронические заболевания, в том числе с сердечными или нервно-мышечными расстройствами
Определив эти подгруппы, система также смогла отслеживать, какая помощь требуется пациентам в больнице, указывая на обновленные профили, которые позволят больницам эффективнее справляться с ростом числа различных типов пациентов.
«Без выявления этих отдельных субпопуляций врачи и больницы, скорее всего, будут применять универсальный подход к последующему уходу и лечению», — сказал ведущий автор исследования Цюн У, доктор философии, бывший научный сотрудник в лаборатории Чэня, а сейчас доцент кафедры биостатистики в Школе общественного здравоохранения Питтсбургского университета.
«Хотя этот единый подход может сработать для некоторых пациентов, он может оказаться недостаточным для подгрупп высокого риска, которым требуется более специализированная помощь. Например, наше исследование показало, что у пациентов со сложными хроническими заболеваниями наблюдается наиболее значительный рост числа стационарных и неотложных визитов».
Система латентного трансферного обучения напрямую выявила влияние этих групп населения на больницы, указав, куда именно следует направлять ресурсы.
У полагает, что если бы система машинного обучения была внедрена примерно в марте 2020 года, она могла бы предоставить некоторые важные сведения для смягчения некоторых последствий пандемии, включая сосредоточение ресурсов и ухода на группах, которые, скорее всего, в них нуждаются.
«Это позволило бы каждой больнице лучше прогнозировать потребности в койках в отделениях интенсивной терапии, аппаратах искусственной вентиляции легких или специализированном персонале, помогая сбалансировать ресурсы между лечением COVID-19 и другими основными услугами», — сказал Ву. «Кроме того, на ранних стадиях пандемии совместное обучение в больницах было бы особенно ценным, решая проблемы нехватки данных и адаптируя идеи к уникальным потребностям каждой больницы ».
Оглядываясь на прошлые кризисы, такие как пандемия COVID-19 и ее последствия, можно сказать, что система искусственного интеллекта, разработанная У, Чэнем и их командой, может помочь больницам справляться с гораздо более распространенными заболеваниями.
«Такие хронические заболевания, как диабет, болезни сердца и астма, часто значительно различаются в разных больницах из-за различий в доступных ресурсах, демографических характеристиках пациентов и региональной нагрузке на систему здравоохранения», — сказал У.
Исследователи полагают, что разработанная ими система может быть внедрена во многих больницах и системах здравоохранения, требуя лишь «относительно простой» инфраструктуры обмена данными, по словам Ву. Даже больницы, не способные активно внедрять машинное обучение, могут выиграть за счет обмена информацией.
«Использование общих результатов работы больниц, объединенных в сеть, позволит им получить ценную информацию», — сказал У.