دیروز در سری جدید مقالاتمان، افسران ارشد هوش مصنوعی در مراقبت های بهداشتی، با دکتر کاراندیپ سینگ، مدیر ارشد هوش مصنوعی سلامت و همکار CMIO برای مراقبت های بستری در UC San Diego Health صحبت کردیم.
او توضیح داد که چگونه مسئولیت تمام هوش مصنوعی در یک سیستم بهداشتی باید به عهده مدیر ارشد هوش مصنوعی باشد، و چگونه برای حفظ این موقعیت داغ جدید، مدیران باید مهارتهایی داشته باشند که هوش مصنوعی و بالینی را در بر بگیرد – اگرچه نیازی به تعادل وجود ندارد.
امروز بیشتر با رئیس AI پزشک صحبت می کنیم که در کجا و چگونه UC San Diego Health با هوش مصنوعی به موفقیت می رسد. ما یک پروژه هوش مصنوعی را که ROI بالینی را نشان داده است تشریح می کنیم – و نکاتی را برای مدیرانی که به دنبال تبدیل شدن به افسران ارشد هوش مصنوعی در سازمان خود هستند، دریافت می کنیم.
س. لطفاً در مورد مکان و نحوه استفاده UC San Diego Health از هوش مصنوعی در سطح بالایی صحبت کنید.
الف. ما امروزه از آن عمدتاً در دو کلاس مختلف استفاده میکنیم. یکی از آنها هوش مصنوعی پیشبینیکننده و یکی هوش مصنوعی مولد است.
هوش مصنوعی پیشبینیکننده جایی است که معمولاً از هوش مصنوعی برای تخمین خطر یک نتیجه بد استفاده میکنیم و مداخلاتی را برای جلوگیری از آن نتیجه طراحی و اجرا میکنیم. این چیزی است که ما در حال حاضر به طور گسترده برای سپسیس در تمام اتاقهای اورژانس خود در سراسر UC San Diego Health استفاده میکنیم. این چیزی است که ما در حال استقرار در تخت های بستری و ICU خود هستیم.
این چیزی است که ما در اوایل سال 2018 به اجرا درآوردیم. این توسط همکاران من در UC San Diego Health طراحی شده است. یکی از موارد کلیدی که این کار را از سایر کارهایی که در این فضا انجام شده متمایز می کند این است که در روند اجرای آن، آنها در واقع مطالعه ای را برای قرار دادن در بالای آن طراحی کردند تا ببینند آیا از این مدل استفاده شده است یا خیر. مرتبط با مداخله ای است که تا حد زیادی به کارکنان پرستاری ما هشدار می دهد که در واقع به بیماران کمک می کنند یا نه.
چیزی که تیم دریافتند این است که این مدل هر سال جان 50 نفر را در دو اورژانس در سیستم سلامت ما نجات می دهد. این برای مردم مفید است و ما واقعاً آن را زیر نظر داریم و به دنبال فرصتهای بیشتر برای بهبود هستیم. بنابراین این یک نمونه از مواردی است که ما از هوش مصنوعی پیش بینی کننده استفاده می کنیم.
یکی دیگر، هوش مصنوعی پیشبینیکننده برای اهداف پیشبینی است. من قبلاً در مصاحبه دیروز یکی از موارد استفاده توسط Mission Control را برجسته کردم، جایی که ما از مدلی برای پیش بینی بیماران شبانه روزی بخش اورژانس خود استفاده می کنیم. و این به ما کمک میکند وقتی پیشبینی میکنیم فردا دو روز دیگر یا سه روز دیگر یک روز شلوغ خواهیم داشت و چیزی که هنوز در حال طراحی برخی از گردشهای کاری پیرامون آن هستیم، چه کارهایی را باید انجام دهیم. ما در حال حاضر برخی از گردش کارها را در حال اجرا داریم.
بنابراین، دسته گسترده دیگری از موارد استفاده، هوش مصنوعی مولد است. ما از برخی از قابلیتهای موجود در پرونده سلامت الکترونیکی خود استفاده میکنیم که امکان ایجاد قابلیتهای هوش مصنوعی را فراهم میکند. یکی از نمونههای آن این است که زمانی که یک بیمار پیامی را به پزشک مراقبتهای اولیه خود ارسال میکند، پزشک این گزینه را دارد که به روش معمول پاسخ دهد، جایی که کل پاسخ را تایپ میکند، یا میتواند پیشنمایش یک پیشنویس پاسخ هوش مصنوعی را ببیند و تصمیم بگیرد. اگر بخواهند از آن به عنوان نقطه شروع استفاده کنند یا نه، و سپس آن پاسخ را ویرایش کرده و آن را به همراه ارسال کنند.
اگر پزشک این کار را انجام دهد، پیامی را در پایین اضافه میکنیم که به بیماران اجازه میدهد بدانند این پیام تا حدی به طور خودکار ایجاد شده است، بنابراین میدانند فرآیندی برای تهیه پیشنویس آن پیام وجود دارد که فقط پزشک درگیر آن نبوده است. این نمونهای است که در آن متوجه شدیم، در کمال تعجب، زمان پاسخ دادن به پیامها را افزایش میدهد.
اما بازخوردی که دریافت کردهایم این است که پاسخ دادن به پیامی که برای شروع کمی متن دیگ بخار دارید، کمتر از شروع با یک صفحه خالی است. این موردی است که ما هنوز در حال اصلاح آن هستیم، و این نمونهای از مواردی است که در EHR ما ادغام شده است.
موارد دیگری نیز وجود دارد که ما آنها را در خانه ساخته ایم. در برخی موارد، این کارهایی است که در آزمایشگاه آکادمیک من انجام شده است، اما در بسیاری از موارد، کارهایی است که توسط همکاران من انجام شده است که اکنون بهعنوان بخشی از مرکز نوآوری سلامت و سلامت یعقوب به دنبال اجرای آن هستیم. یکی از نمونههای آن این است که ما یک ابزار هوش مصنوعی مولد داریم که میتواند یادداشتهای بیمار و معیارهای کیفیت انتزاعی را بخواند.
انتزاع اندازه گیری کیفیت چیزی است که معمولاً بسیار وقت گیر است. مفهوم اصلی آن این است که انجام آن به افراد زیادی نیاز دارد. اما مهمتر از آن، ما فقط می توانیم زیرمجموعه بسیار کوچکی از نمودارهای افراد را بررسی کنیم، فقط به این دلیل که بسیار وقت گیر است. بنابراین، ما هرگز به بررسی بیشتر نمودارها در پرونده الکترونیک سلامت نمی رسیم.
چیزی که ما تاکنون دریافتهایم این است که میتوانیم با استفاده از هوش مصنوعی مولد دقت بیش از 90 درصد را برای انجام برخی از این بررسیهای نمودار و انتزاع معیارهای کیفیت به دست آوریم، جایی که میگوییم آیا آنها این معیار کیفیت را برآوردهاند یا خیر؟ هنوز جای پیشرفت وجود دارد. اما نکته مهم دیگر این است که می توانیم موارد بسیار بیشتری را بررسی کنیم.
منبع:healthcareitnews
