על פי מחקר רב-חולים על ידי מערכת הבריאות בהר סיני.
על ידי מתן הודעה מוקדמת לקלינאים, גישה זו עשויה לשפר את הטיפול בחולים ואת חווית המטופל, להפחית את הצפיפות וה"עלייה "(כאשר מטופל מתקבל אך נשאר ב- ED מכיוון שאף מיטה אינה זמינה), ומאפשרת לבתי חולים לכוון משאבים במקום שהם נדרשים ביותר. בין ההערכות הפוטנציאליות הגדולות ביותר של AI במסגרת החירום עד כה, המחקר שפורסם בגיליון המקוון של ה- 9 ביולי של כתב העת הליכי מרפאת מאיו: בריאות דיגיטלית (https://doi.org/10.1016/j.mcpdig.2025.100249).
במחקר, החוקרים שיתפו פעולה עם יותר מ -500 אחיות ED בכל מערכת הבריאות שבעה חולים. יחד הם העריכו מודל למידת מכונה שהוכשר על נתונים של יותר ממיליון ביקורי מטופלים בעבר. במשך חודשיים הם השוו תחזיות שנוצרו על ידי AI עם הערכות הטריאג 'של האחיות כדי לבדוק אם AI יכול לסייע בזיהוי קבלות בית חולים ככל הנראה מוקדם יותר לאחר שיגיע המטופל.
הצפיפות והפנימיות של מחלקת החירום הפכו למשבר לאומי, ומשפיעים על כל דבר, החל מתוצאות המטופלים לביצועים פיננסיים. תעשיות כמו חברות תעופה ומלונות משתמשות בהזמנות כדי לחזות את הביקוש והתכנון. ב- ED, אין לנו הזמנות. האם אתה יכול לדמיין חברות תעופה ומלונות ללא הסתייגות, חיזוי ותכנון אך ורק ממגמות היסטוריות? ברוך הבא לטיפול בריאותי. המטרה שלנו הייתה לבדוק אם AI בשילוב עם תשומות של האחיות שלנו, יכול לעזור להאיץ את תכנון הקבלה, הזמנת סוגים שונים. פיתחנו כלי לחיזוי צרכי הקבלה לפני שמוצב הזמנה, ומציע תובנות שיכולות לשפר באופן מהותי את האופן בו בתי חולים מנהלים את זרימת המטופלים, מה שמוביל לתוצאות טובות יותר. "
ג'ונתן נובר, MBA, RN– סופר מוביל, סגן נשיא שירותי סיעוד וחירום, מערכת הבריאות בהר סיני
המחקר, שכלל כמעט 50,000 ביקורי חולים ברחבי בתי החולים העירוניים והפרבריים של הר סיני, הראה כי מודל ה- AI ביצע באופן אמין על פני מסגרות בית חולים מגוונות אלה. באופן מפתיע, החוקרים מצאו כי שילוב תחזיות אנושיות ומכונות לא הגביר באופן משמעותי את הדיוק, מה שמצביע על כך שמערכת ה- AI בלבד הייתה מנבא חזק.
"רצינו לתכנן מודל שלא סתם מתפקד היטב בתיאוריה, אלא יכול למעשה לתמוך בקבלת ההחלטות בחזית הטיפול", אומר הסופר הבכיר המתאם, אייל קלנג, MD, ראש ה- Generative AI במחלקה לווינדרייץ 'לבינה מלאכותית ובריאות אדם בבית הספר לרפואה ICAHN בהר סיני. "על ידי הכשרת האלגוריתם על יותר ממיליון ביקורים של חולים, כיוונו לתפוס דפוסים משמעותיים שיכולים לעזור לחזות את הקבלה מוקדם יותר משיטות מסורתיות. חוזק הגישה הזו הוא יכולתה להפוך נתונים מורכבים לתובנות מתוזמנות, הניתנות לפעולה עבור צוותים קליניים המפנים אותם כדי להתמקד לוגיסטיקה יותר ויותר במעשיית הטיפול האישי, רק אנושות יכולת."
בעוד שהמחקר היה מוגבל למערכת בריאות אחת במשך תקופה של חודשיים, הצוות מקווה שהממצאים ישמשו מקפצה לבדיקה קלינית חיה עתידית. השלב הבא כולל יישום מודל ה- AI לזרימות עבודה בזמן אמת ותוצאות מדידה כמו זמני עלייה למטוס, שיפור זרימת המטופלים ויעילות מבצעית.
מחקר זה מדגיש את התפקיד החיוני של האחיות שלנו-מ -500, כיוון כי המחקר הבכיר, רובי פריימן, DNP, RN, אמר כי "עודדנו אותנו לראות כי AI יכולה לעמוד בפני עצמה בביצוע תחזיות מורכבות. אך חשוב לא פחות, המחקר הזה מדגיש את התפקיד החיוני של האחיות שלנו-יותר מ- 500. "הכלי הזה לא קשור להחלפת קלינאים; מדובר בתמיכה בהם. על ידי חיזוי קבלות קודם לכן, אנו יכולים לתת לצוותי טיפול את הזמן שהם צריכים לתכנן, לתאם ולסופו של דבר לספק טיפול טוב יותר וחומל יותר. זה מעורר השראה לראות את ה- AI מתגלה כאל רעיון עתידני, אלא כפתרון מעשי, אמיתי, המעוצב על ידי אנשים מעבירים כל יום."
העיתון נקרא "השוואה בין למידת מכונות ותחזיות אחיות לאשפוז בבית חולים במערכת טיפול חירום רב -אתרי."
מחברי המחקר, כמפורט בכתב העת, הם ג'ונתן נובר, MBA, RN; מתיו באי, ד"ר; פרם טיסמינה; גאנש ראוט; Dhavalkumar Patel; Girish N Nadkarni, MD, MPH; בנימין ס. אבלה, MD, MPHIL; אייל קלנג, ד"ר, ורוברט פרימן, DNP, RN, NE-BC3.
עבודה זו נתמכה בחלקה באמצעות משאבי החישוב והנתונים והמומחיות של הצוות שסופקו על ידי מחשוב מדעי ונתונים בבית הספר לרפואה ICAHN בהר סיני ונתמכה על ידי פרסי המדע הקליני והתרגומי (CTSA) מענק UL1TR004419 מהמרכז הלאומי לקידום מדעי התרגום. המחקר נתמך גם על ידי משרד תשתיות המחקר של המוסדות הלאומיים לבריאות במסגרת מספר הפרס S10OD026880 ו- S10OD030463.
