מרכזים רפואיים אקדמיים יכולים לשנות את הטיפול בחולים על ידי אימוץ עקרונות מעקרונות מערכות בריאות, על פי חוקרים מרפואת וייל קורנל ואוניברסיטת קליפורניה, סן דייגו. בגישה זו, מנותח מידע מרשומות בריאות אלקטרוניות, ניסויים קליניים ופעולות בית חולים יומיומיות בזמן אמת כדי לחשוף תובנות המשפרות ברציפות את הטיפול בחולים.
הפרספקטיבה, שפורסמה ב- 17 ביוני ב מערכות בריאות NPJסיבות שניתן ליצור טיפול חכם יותר, יעיל יותר ושוויוני יותר של טיפול על ידי רתימת נתונים קיימים לתמיכה בלמידה רחבה במערכת. עם זאת, אימוץ מודל זה נותר מוגבל.
שילוב מסדי נתונים מגוונים הוא חלק מיצירת מערכת בריאות דינאמית. מתרגלים יוכלו לראות ביתר קלות ובמהירות מה עובד ומה לא; ומה מעלה עלויות מיותרות. "
ד"ר פיטר פלדה, סופר מוביל, פרופסור חבר לרפואת חירום קלינית ברפואת וייל קורנל ורופא לרפואת חירום במרכז הרפואי לרפואת חירום Newyork-Presbyterian/Weill Cornell
כמו כן, התורמים לפרספקטיבה הם ד"ר רוברט הרינגטון, סטיבן וסוזן וייס דיקן מרפואת וייל קורנל, וד"ר כריסטופר לונגהרסט וד"ר גבריאל וורדי, שניהם מאוניברסיטת קליפורניה, סן דייגו.
המחברים טוענים כי הקמת מערכת בריאות לומדת חשובה במיוחד כעת מכיוון שמוסדות אקדמיים עומדים בפני זן פיננסי הנגרם כתוצאה מעליית עלויות מחקר, ירידה בשוליים וציפיות המטופלים. הפרספקטיבה היא קריאה לפעולה עבור מרכזי בריאות אקדמיים לבצע שינויים מערכתיים על ידי מחשבה מחדש על האופן בו הם מייצרים ומיישמים ידע.
מחסומים ליישום
הרעיון שמאחורי גישה זו אינו חוקרים חדשים-רפואיים שדמיינו לראשונה מערכות בריאות למידה כאשר בתי חולים עברו מנייר לרשומות בריאות אלקטרוניות. עם זאת, רשומות בריאות אלקטרוניות תוכננו בעיקר לנוחיותם של קלינאים וחולים, ולא לחוקרים ויוזמות לשיפור איכות. סילו נתונים מסבכים עוד יותר את הקמת מערכות הבריאות למידה. היסטוריות של חקרית מידע, תוצאות מעבדה, רישומי הדמיה או חיוב-מאוחסנים במערכות נפרדות ומנותקות שאינן מתקשרות זו עם זו.
כתוצאה מכך, לעתים קרובות זה יכול לקחת שנים לאסוף ולנתח נתונים הדרושים לשיפור הטיפול בחולים, ציינו המחברים. מערכת בריאות למידה מתפקדת יכולה להתכווץ מסגרת זמן זו לשבועות תוך שמירה על מחקר אתי, ממוקד מטופל ושימוש במערכות אבטחה חזקות כדי להבטיח את פרטיות המטופל. לאחר מכן ניתן להשתמש בתובנות אלה כדי לשנות את הנחיות הטיפול, לשפר את בטיחות המטופלים ולחדש חידושים.
חלק מהנושא, טוענים המחברים, אינו מספיק שילוב בין האנשים המתמקדים בטיפול קליני, מחקר וחינוך. באופן אידיאלי, ניתן ללמד רופאים עתידיים כיצד להשתמש בנתונים כדי לשאול ולענות ביעילות על שאלות קליניות שיפגישו בעלי עניין שונים לשתף פעולה.
"למערכת בריאות לומדת, המופעלת על ידי AI, יש פוטנציאל להעלות טיפול קליני ותוצאות", אמר ד"ר הרינגטון. "כאשר אנו מאפשרים לקלינאים עתידיים ללמוד מכל מפגש קליני, אנו יכולים לשפר את האיכות והיעילות בדרכים שלא יכולנו לפני כן."
מעבר לארגון וניתוח נתונים, עלות יישום מערכת בריאות למידה עשויה להגיע לעשרות מיליוני דולרים. אולם התשואה לטווח הארוך עשויה להיות אסטרטגית: שנים לאחר היישום, ארגוני שירותי בריאות המשתמשים בהצלחה בגישה זו עשויים להיות תחרותיים משמעותית מאלו שלא, כך אמרו המחברים.
בינה מלאכותית מניעה שינוי
למרות האתגרים, ההתקדמות האחרונה בתחום הבינה המלאכותית הופכת את אימוץ מערכות הבריאות למידה קריטיות יותר. המטופלים מתחילים לצפות שרופאים למנף את AI כדי לספק טיפול בהתאמה אישית, אך AI תלוי בנתונים נקיים, מובנים היטב, בעולם האמיתי. "AI יכול למלא רק את הבטחתו אם הוא בנוי על בסיס של תשתיות למידה", אמר ד"ר סטיל.
כלי AI יכולים לנתח היקפים עצומים של נתונים רפואיים במהירות, ולסייע לרופאים לאתר סימני אזהרה מוקדמים של מחלות, לייעל פעולות ולקבל החלטות מהירות יותר ואינדיבידואליות יותר. מערכת בריאות למידה מאפשרת בקרת איכות חיונית, מבטיחה כי כלי AI מנוטרים ברציפות לצורך בטיחות, הטיה ויעילות.
"מרכזים רפואיים אקדמיים מתמודדים עם נוף מימון המשתנה במהירות, אפילו כאשר עלויות הטרנספורמציה והניהול הטכנולוגי בתחום הבריאות ממשיכות לעלות", אמר ד"ר סטיל. "יישום מערכת הבריאות הלמידה אינה עוד מטרה תיאורטית, אלא ציווי אסטרטגי."
