Et si AI dirigeait ER Triage? Voici comment cela a accéléré les soins aux patients dans les tests du monde réel
- Intelligence Artificielle
Noesis News- 0
- 15 minutes de lecture
Quiconque n’est pas dans la profession médicale et qui a erré dans une salle d’urgence peut être déconcerté par les heures d’attente et le processus mystérieux par lequel les infirmières et les médecins déplacent les patients à travers les étapes des urgences.
Des chercheurs de la Yale School of Medicine et de l’Université Johns Hopkins ont écrit récemment qu’un intelligence artificielle Le programme qu’ils ont créé peut améliorer le processus des urgences en rendant la tâche du triage plus efficace et plus précis. Le triage est lorsque les infirmières évaluent la gravité des conditions à la consommation de patients.
« Le triage est une première étape essentielle des soins d’urgence avec des implications profondes pour l’allocation des ressources et, finalement, les résultats des patients, y compris la morbidité et la mortalité », ont écrit les chercheurs dans une étude publiée dans le New England Journal of Medicine.
Utilisation de l’IA dans le triage
Il s’agit de la première étude du genre à montrer des effets réels de l’utilisation de l’IA dans le triage, affirment les auteurs.
L’auteur principal R. Andrew Taylor et ses collègues décrivent une expérience de trois ans couvrant 2020 à 2023, dans laquelle les infirmières aux urgences de trois ER dans le nord-est des États-Unis ont utilisé le programme d’IA pour 176 648 patients pour aider les infirmières à classer la gravité des cas à l’admission.
Aussi: Cet outil d’IA a étudié les revues médicales pour répondre à vos requêtes de santé
Les auteurs ont constaté que les infirmières utilisant l’outil ont pu déplacer plus rapidement les patients dans le processus de salle d’urgence – de la durée de la durée pour fournir des soins initiaux à la durée de la durée pour attribuer un lit à la durée de la consommation des patients. Tout cela a entraîné une diminution du temps dans l’urgence dans l’ensemble.
Le programme « Triage informé de l’IA », un « outil d’aide à la décision clinique » (CDS), a abouti à « l’amélioration des performances du triage et un flux de patients ED (service d’urgence) », ont-ils écrit, afin que « l’IA puisse entraîner une diminution des temps d’attente et de la durée du séjour de l’ED ».
Mais ils ont également constaté que les infirmières avec l’outil étaient plus attentives lorsque les patients avaient besoin d’interventions critiques, telles que l’hospitalisation, la chirurgie ou l’admission à l’unité de soins intensifs.
Un «arbre» de décisions possibles
Dans l’étude, Impact de la décision de décision sur le triage basé sur l’intelligence artificielle sur les soins aux services d’urgenceTaylor et son équipe décrivent une interface utilisateur informatique qui affiche la recommandation des CD à l’infirmière.
Le programme d’IA n’est pas un modèle en grande langue comme GPT d’Openai. C’est une technique d’IA beaucoup plus ancienne et plus traditionnelle connue sous le nom de « forêt aléatoire« Ce qui repose sur les réseaux de neurones comme GPT mais ne génère pas de sorties de texte. Au lieu de cela, il navigue par un » arbre « de décisions possibles et choisit les meilleures d’entre elles.
Le CDS a été contribué à l’âge, au sexe, au mode d’arrivée, aux signes vitaux, à la «plainte principale», aux comorbidités (antécédents de l’état de médecine qui pourraient indiquer des zones de risque telles que l’hypertension artérielle) et des «problèmes médicaux actifs» de chaque patient à l’admission. (Fait intéressant, dans tous les cas, les trois plaintes principales les plus courantes étaient les douleurs abdominales, les douleurs thoraciques et l’essoufflement.)
Une fois les données entrées, l’interface utilisateur a ensuite montré à l’infirmière une notation de la gravité du patient généré par les CD conformément à une échelle standard appelée ESI, ou indice de gravité d’urgence. L’ESI évalue les patients de 1 à 5 en termes de gravité ou de «l’acuité» de la maladie, 1 étant le plus grave. Un résumé en langage naturel de la justification du score de la machine a également été affiché.
Aussi: Ce miroir d’IA pourrait suivre votre poids, votre tension artérielle, votre sommeil et plus
On a demandé aux infirmières s’ils étaient d’accord ou en désaccord avec le score ESI de l’ordinateur et ont été invités à attribuer leur propre score comme ils le font normalement aux urgences. Leur accord ou désaccord avec l’ordinateur était une variable importante dans l’expérience car l’étude a mesuré ce qui s’est passé lorsque les infirmières étaient en accord ou non avec la recommandation de l’IA.
Résultats du flux du patient
Ce qui s’est passé avec le «flux du patient» a été comparé pour les patients six mois avant la mise en œuvre du CDS et six mois après.
Le résultat principal est que le nombre de personnes regroupées par une acuité élevée ou faible a changé, tout comme le profil de qui était classé haut ou bas. Le nombre de personnes mis en acuité « faible » (ESI 4 ou 5) a augmenté de près de 50%, tandis que le total de la catégorie « élevée » a diminué de près de 9%, et le total au milieu, le niveau 3, a également chuté de près de 20%. De plus en plus de personnes ont été frappées à un risque plus faible avec les CD, en d’autres termes.
De plus, davantage de patients plus âgés ont été transférés dans le groupe à haute acuité, tandis que davantage de jeunes ont été transférés dans le groupe à basse acuité. Il y a également eu des changements dans la façon dont les signes vitaux, les plaintes et les comorbidités se sont révélés, par exemple, la douleur thoracique devenant plus répandue chez ceux qui ont été attribués à faible acuité et à l’essoufflement apparaissant plus parmi ceux qui ont été attribués à haute acuité.
En d’autres termes, l’IA a conduit à des plaintes utilisées différemment pour «stratifier» les patients.
Le gain immédiat, a écrit Taylor et son équipe, était que les patients ont « coulé » les choses plus rapidement. « Il y a eu une diminution observée du temps de l’arrivée à la zone de soins initiaux », ont-ils écrit. Il y a également eu un changement dans la vitesse des personnes qui ont été libérées des urgences, jusqu’à 82 minutes en moyenne.
Le plus grand changement est que ceux de la catégorie à haute acuité ont passé moins de temps à attendre avant d’être envoyé en soins intensifs, une réduction de plus de deux heures. « Les changements les plus notables ont été expérimentés par les personnes gravement malades ou ceux qui répondent aux critères de résultats de la chirurgie de soins intensifs ou de chirurgie d’urgence », ont-ils écrit.
L’efficacité n’est pas le seul résultat
Ce n’était cependant pas seulement l’efficacité. Le nombre de patients correctement attribués à des «soins intensifs» a augmenté lors de l’utilisation des CD, ce qui signifie que les patients qui finissent par mourir à l’hôpital ou admis dans l’unité de soins intensifs ont été identifiés plus précisément au préalable pendant le triage. Avec l’IA, les infirmières devenaient de plus en plus « sensibles » aux cas qui nécessitaient des soins intensifs, comme l’a dit Taylor et son équipe.
« Les résultats démontrent un changement marqué dans le processus de triage », a écrit Taylor et son équipe, « avec un alignement distributionnel amélioré, une précision accrue dans l’identification des patients à haut et à faible risque par des infirmières assistées par l’IA et un flux accru des patients. »
Ils ont ajouté: « Les CD du triage IA étaient associés à une amélioration des performances des infirmières de triage dans l’identification précoce des patients à risque de maladie grave; il s’agit d’un objectif principal important du triage d’ED. »
Et les infirmières qui ont convenu plus souvent avec les CD ont fini par avoir encore une meilleure sensibilité à la criticité des soins urgents, de la chirurgie, des soins intensifs, etc.
Ici, Taylor et son équipe ne peuvent pas être sûrs que c’est la machine qui a guidé les infirmières à de meilleures décisions; Cela aurait peut-être été de meilleures infirmières. Comme ils l’ont écrit:
Le sous-groupe d’infirmière avec des taux d’accord élevés surclassent généralement l’IA seul; À l’inverse, le sous-groupe d’infirmière avec de faibles taux d’accord a géré universellement moins bien que l’IA seul. Bien que nos résultats suggèrent qu’un accord plus élevé puisse être lié à une meilleure performance du triage, il est possible que le groupe d’infirmières à haut agresment possède un sens clinique plus important indépendant des CD, leur permettant de mieux discerner quand s’aligner sur les recommandations basées sur l’IA.
Leur conclusion est que « la rétention de la prise de décision humaine est essentielle et est alignée sur les études antérieures qui mettent en évidence un potentiel synergique d’intégration de l’IA au jugement humain ».
Limites
L’incertitude quant au rôle du sens individuel des infirmières humaines n’est pas la seule limitation de l’étude. De plus, différents ER peuvent avoir des tendances saisonnières qui sont des «facteurs de confusion», des facteurs qui rendent les résultats de l’étude problématiques.
Une autre limitation est que les CD ont apporté des dossiers de santé électroniques, qui ont leurs propres limites, comme un manque de spécificité sur les patients.
Aussi: 10 raisons clés, AI est devenu courant du jour au courant – et ce qui se passe ensuite
La limitation la plus profonde est que l’étude n’a pas suivi ce qui est arrivé aux patients après l’urgence. Un meilleur triage a-t-il conduit à de meilleurs résultats pour les patients? Ce n’est pas clair, a écrit Taylor et son équipe.
« Les recherches futures devraient tenir compte de ces facteurs à plus long terme pour comprendre pleinement les implications du soutien de l’IA dans la prise de décision clinique en cas d’urgence », ont-ils écrit.
Une conclusion très intrigante – et elle est probablement pertinente pour toutes les implémentations de l’IA – est que l’IA doit être réglée sur le paramètre particulier. L’expérience a été réalisée à travers trois ER dans une région particulière des États-Unis, et cela joue clairement un rôle dans les résultats.
Comme l’a écrit Taylor et son équipe:
Nos données suggèrent que les outils d’IA dans les soins de santé peuvent atteindre leur plein potentiel grâce à des stratégies de déploiement spécifiques au site. Cette approche marque un écart de l’accent mis sur la large généralisation et signale une évolution vers une application plus nuancée et sensible à la contexte de l’IA dans les soins de santé.
