یک مطالعه جدید نشان می دهد که استفاده از هوش مصنوعی برای اسکن سوابق پزشکی بیماران جراحی برای علائم نوشیدن خطرناک می تواند به شناسایی افرادی که مصرف الکل خطر مشکلات آنها را در حین و بعد از عمل جراحی افزایش می دهد کمک کند.
اسکن رکورد مبتنی بر هوش مصنوعی که در این مطالعه آزمایش شد می‌تواند به تیم‌های جراحی کمک کند تا از قبل بدانند چه بیمارانی ممکن است به آموزش بیشتر در مورد چنین خطرات یا درمان‌هایی نیاز داشته باشند تا به آنها کمک کند تا نوشیدنی خود را کاهش دهند یا برای مدتی قبل و بعد از جراحی مصرف نکنند.
یافته ها، منتشر شده در الکل: مطالعات بالینی و تجربی توسط تیمی در دانشگاه میشیگان نشان می‌دهد که استفاده از نوعی هوش مصنوعی به نام پردازش زبان طبیعی برای تجزیه و تحلیل کل پرونده پزشکی بیمار می‌تواند نشانه‌هایی از نوشیدن خطرناک مشروبات الکلی را که در نمودارهای آنها ثبت شده است، از جمله در یادداشت‌های پزشک، تشخیص دهد، حتی اگر آنها شما را نداشته باشند. تشخیص مشکل الکل داشته باشد.
تحقیقات گذشته نشان داده است که نوشیدن بیش از دو نوشیدنی در روز به طور متوسط با خطر بالاتر عفونت، عوارض زخم، عوارض ریوی و بستری طولانی‌تر در بیمارستان در افرادی که تحت عمل جراحی قرار می‌گیرند، مرتبط است.
بسیاری از افرادی که به طور منظم مشروب الکلی می نوشند، مشکل الکل ندارند، و زمانی که چنین می کنند، ممکن است هرگز تشخیص رسمی اعتیاد یا اختلال به الکل دریافت نکنند که تشخیص آن در نمودار برای تیم جراحی آسان باشد.
سوابق و یادداشت ها را پاک کنید
محققان در Michigan Medicine، مرکز پزشکی دانشگاهی UM، مدل هوش مصنوعی خود را با اجازه دادن به آن در سوابق 100 بیمار جراحی ناشناس برای نشانه‌های خطر نوشیدن الکل و مقایسه طبقه‌بندی‌های آن با بررسی‌کنندگان متخصص آموزش دادند.
به طور کلی، مدل هوش مصنوعی بیشتر اوقات با طبقه بندی متخصص انسانی مطابقت دارد. مدل هوش مصنوعی نشانه‌هایی از نوشیدن خطرناک را در یادداشت‌های 87 درصد از بیمارانی که متخصصان آنها را به عنوان نوشیدنی‌های پرخطر شناسایی کرده بودند، شناسایی کرد.
در همین حال، تنها 29 درصد از این بیماران کد تشخیص مرتبط با الکل را در لیست تشخیص های خود داشتند. بنابراین بسیاری از بیمارانی که در معرض خطر بالاتری از عوارض قرار دارند، تحت رادار تیم جراحی خود باقی خواهند ماند.
سپس محققان به مدل هوش مصنوعی اجازه دادند تا بیش از 53000 پرونده پزشکی ناشناس بیمار را که از طریق طرح ژنوم میشیگان جمع آوری شده بود، بررسی کند. مدل هوش مصنوعی از طریق این جستجوی متن کامل، سه برابر بیشتر از بیمارانی که با استفاده از کدهای تشخیصی کشف کردند، بیمارانی را شناسایی کرد که در معرض خطر مصرف الکل بودند. در مجموع 15٪ از بیماران معیارهای مدل AI را برآورده کردند، در مقایسه با کدهای تشخیصی 5٪.
VG Vinod Vydiswaran، Ph.D.، نویسنده ارشد این مطالعه گفت: «این ارزیابی از پردازش زبان طبیعی برای شناسایی نوشیدن خطرناک در سوابق بیماران جراحی ممکن است زمینه را برای تلاش‌هایی برای شناسایی سایر خطرات در مراقبت‌های اولیه و فراتر از آن، با اعتبارسنجی مناسب فراهم کند. مقاله جدید و دانشیار علوم بهداشتی در دانشکده پزشکی UM. اساساً، این روشی برای ارائه‌دهنده است تا آنچه را که قبلاً در یادداشت‌های تهیه‌شده توسط سایر ارائه‌دهندگان وجود دارد، بدون نیاز به خواندن کل سابقه، برجسته کند.»
با توجه به خطرات جراحی بیش از حدی که ممکن است از مصرف متوسط روزانه الکل ناشی شود، و چالش های اجرای غربالگری و درمان قوی قبل از عمل، حیاتی است که ما گزینه های دیگر را برای شناسایی بیمارانی که ممکن است بیشترین سود را از کاهش مصرف به تنهایی یا با آن داشته باشند، بررسی کنیم. کمک، خارج از کسانی که تشخیص ثبت شده دارند،” نویسنده ارشد آن فرناندز، دکترا، روانشناس اعتیاد در مرکز خدمات درمان اعتیاد و اعتیاد UM و دانشیار روانپزشکی گفت.
داده‌های جدید نشان می‌دهد که کلینیک‌های جراحی که به سادگی کدهای تشخیص فهرست‌شده در نمودارهای بستری خود را بررسی می‌کنند، مانند اختلال مصرف الکل، وابستگی به الکل یا بیماری‌های کبدی مرتبط با الکل، بسیاری از بیماران در معرض خطر را از دست خواهند داد.
الکل + جراحی = خطر اضافی
علاوه بر خطرات شناخته شده عوارض جراحی، فرناندز و همکارانش اخیراً داده‌هایی را از یک پایگاه داده جراحی عظیم در میشیگان منتشر کرده‌اند که نشان می‌دهد افرادی که هم سیگار می‌کشند و هم دو یا چند نوشیدنی در روز می‌نوشند، احتمال بیشتری دارد که دوباره در بیمارستان بستری شوند یا به بیمارستان برگردند. . سالن عمل نسبت به سایرین کسانی که مصرف خطرناک الکل دارند و سیگار نمی کشند نیز به احتمال بیشتری به جراحی دوم نیاز دارند.
او و همکارانش همچنین در بررسی داده‌های پرسشنامه دقیق از افراد شرکت‌کننده در دو مطالعه مختلف که شامل افرادی از کلینیک‌های جراحی در میشیگان می‌شد، دریافتند که 19 درصد از افرادی که تحت عمل جراحی قرار می‌گیرند ممکن است سطوح در خطر مصرف الکل داشته باشند.
مطالعه جدید از NLP، نوعی هوش مصنوعی، نه برای تولید اطلاعات جدید، بلکه برای جستجوی سرنخ‌هایی در صفحات و صفحات یادداشت‌های ارائه‌دهنده و داده‌هایی که کل پرونده پزشکی یک فرد را تشکیل می‌دهند، استفاده می‌کند.
ویدیسواران گفت، پس از تأیید اعتبار، این ابزار به طور بالقوه می تواند در سوابق بیمار قبل از اینکه در یک قرار ملاقات قبل از عمل بررسی شود و سطح خطر شناسایی شود، اجرا شود.
البته فقط دانستن اینکه یک فرد دارای سطح بالقوه خطرناک نوشیدن الکل است کافی نیست.
فرناندز در تلاش برای آزمایش یک رویکرد مربیگری مجازی است تا به افرادی که برای جراحی برنامه ریزی شده اند کمک کند تا خطرات مرتبط با سطح نوشیدن خود را درک کنند و از آنها حمایت کند تا مصرف خود را کاهش دهند.
او گفت: “هدف ما شناسایی افرادی است که ممکن است به خدمات درمانی بیشتری نیاز داشته باشند، از جمله دارو برای اختلال مصرف الکل و حمایت در طول بهبودی جراحی آنها، زمانی که پرهیز از الکل ضروری است.” “ما به دنبال جایگزینی دقت لازم نیستیم که هر ارائه دهنده ای باید انجام دهد، بلکه به دنبال تشویق آنها به صحبت با بیماران و دریافت اطلاعات بیشتر برای اقدام هستیم.”
او خاطرنشان کرد که خطرات ترکیب الکل با مسکن های مخدر که معمولاً برای درمان درد پس از جراحی استفاده می شود، بسیار زیاد است.
علاوه بر کار مداوم برای اعتبارسنجی این مدل، تیم امیدوار است که مدل خود را در دسترس عموم قرار دهد، اگرچه باید در مورد سیستم سوابق الکترونیکی هر سیستم بهداشتی که می‌خواهد از آن استفاده کند، آموزش ببیند.
فرناندز می‌گوید: «این ابزارهای هوش مصنوعی می‌توانند کارهای شگفت‌انگیزی انجام دهند، اما مهم است که از آنها برای انجام کارهایی استفاده کنیم که می‌تواند در وقت پزشکان پرمشغله صرفه‌جویی کند، خواه مربوط به مصرف الکل یا مواد مخدر، تغذیه نامناسب یا سایر شرایط مزمن باشد.» و اگر قرار است از آنها برای شناسایی مشکلات احتمالی استفاده کنیم، باید آماده ارائه گزینه های درمانی نیز باشیم.»
علاوه بر فرناندز و ویدیسواران، که اعضای موسسه UM برای سیاست و نوآوری مراقبت های بهداشتی هستند، نویسندگان این مطالعه آشر استریهورن و کاترین وبر از آموزش علوم سلامت و هیلی استیونز، جسیکا ملینگر و جی. اسکات ویندر از روانپزشکی هستند.
این مطالعه توسط مؤسسه ملی الکلیسم و سوء مصرف الکل، بخشی از مؤسسه ملی بهداشت (AA026333، AA028315) و توسط UM Precision Health، که همچنین ابتکار ژنومیک میشیگان را مدیریت می‌کند، تأمین مالی شد. در این مطالعه از دفتر داده های UM برای تحقیقات بالینی و ترجمه استفاده شد.
