Badanie pilotażowe prowadzone przez naukowców ze Szkoły Medycznej Uniwersytetu Kalifornijskiego w San Diego wykazało, że zaawansowana sztuczna inteligencja (AI) może potencjalnie prowadzić do łatwiejszego, szybszego i skuteczniejszego raportowania jakości szpitala przy jednoczesnym zachowaniu dużej dokładności, co może prowadzić do poprawy świadczenia opieki zdrowotnej.
Wyniki badania opublikowane w internetowym wydaniu czasopisma z 21 października 2024 r New England Journal of Medicine (NEJM) AIodkryli, że system sztucznej inteligencji wykorzystujący duże modele językowe (LLM) może dokładnie przetwarzać szpitalne mierniki jakości, osiągając 90% zgodności z raportowaniem ręcznym, co może prowadzić do bardziej wydajnego i niezawodnego podejścia do raportowania dotyczącego opieki zdrowotnej.
Naukowcy biorący udział w badaniu we współpracy z Centrum Innowacji Zdrowotnych Joan i Irwina Jacobsów na Uniwersytecie Kalifornijskim w San Diego Health (JCHI) odkryli, że uczelnie LLM mogą przeprowadzać dokładne abstrakcje w przypadku złożonych mierników jakości, szczególnie w wymagającym kontekście Centrów Medicare i Medicaid Usługi (CMS) SEP-1 środek na ciężką sepsę i wstrząs septyczny.
„Włączenie LLM do szpitalnych przepływów pracy obiecuje transformację świadczenia opieki zdrowotnej poprzez uczynienie tego procesu bardziej w czasie rzeczywistym, co może poprawić spersonalizowaną opiekę i poprawić dostęp pacjentów do wysokiej jakości danych” – powiedział Aaron Boussina, doktorant i główny autor książki studiuje w Szkole Medycznej Uniwersytetu Kalifornijskiego w San Diego. „W miarę postępów tych badań wyobrażamy sobie przyszłość, w której raportowanie dotyczące jakości będzie nie tylko skuteczne, ale także poprawi ogólne doświadczenie pacjenta”.
Tradycyjnie proces wyodrębniania danych dla SEP-1 obejmuje skrupulatną, 63-etapową ocenę obszernych kart pacjentów, wymagającą tygodniowego wysiłku wielu recenzentów. Badanie to wykazało, że LLM mogą radykalnie skrócić czas i zasoby potrzebne do tego procesu, dokładnie skanując karty pacjentów i generując kluczowe spostrzeżenia kontekstowe w ciągu kilku sekund.
Naukowcy uważają, że odkrycia torują drogę do bardziej wydajnego i responsywnego systemu opieki zdrowotnej, odpowiadając na złożone wymagania dotyczące pomiaru jakości.
„W dalszym ciągu pilnie dążymy do wykorzystania technologii, aby pomóc zmniejszyć obciążenia administracyjne związane z opieką zdrowotną, a co za tym idzie, umożliwić naszym specjalistom ds. poprawy jakości spędzanie większej ilości czasu na wspieraniu wyjątkowej opieki zapewnianej przez nasze zespoły medyczne” – powiedział Chad VanDenBerg, współautor badania autor i dyrektor ds. jakości i bezpieczeństwa pacjentów w UC San Diego Health.
Inne kluczowe wnioski z badania wykazały, że LLM mogą poprawić wydajność poprzez korygowanie błędów i przyspieszanie czasu przetwarzania; obniżenie kosztów administracyjnych poprzez automatyzację zadań; umożliwienie oceny jakości w czasie zbliżonym do rzeczywistego; i można je skalować w różnych placówkach opieki zdrowotnej.
Przyszłe kroki obejmują walidację tych ustaleń przez zespół badawczy i wdrożenie ich w celu ulepszenia wiarygodnych danych i metod raportowania.
Współautorami tego badania są Shamim Nemati, Rishivardhan Krishnamoorthy, Kimberly Quintero, Shreyansh Joshi, Gabriel Wardi, Hayden Pour, Nicholas Hilbert, Atul Malhotra, Michael Hogarth, Amy Sitapati, Karandeep Singh i Christopher Longhurst – wszyscy z Uniwersytetu Kalifornijskiego w San Diego.
Badanie to zostało częściowo sfinansowane przez Narodowy Instytut Alergii i Chorób Zakaźnych (1R42AI177108-1), Narodową Bibliotekę Medyczną (2T15LM011271-11 i R01LM013998) oraz Narodowy Instytut Ogólnych Nauk Medycznych (R35GM143121 i K23GM146092) oraz JCHI .
