ผลการวิจัยใหม่ระบุว่าแนวทางแบบ Building-block ใหม่ ในการสร้างเครื่องมือดิจิทัลที่รวมข้อมูลและปัญญาประดิษฐ์ อาจมีบทบาทสำคัญในการปรับปรุงการดำเนินงานของหอผู้ป่วยในโรงพยาบาล และการจัดการโรคต่างๆ โดยการค้นหาข้อมูลงานวิจัยทางการแพทย์ใหม่ๆ
New “building-block” approaches to the creation of digital tools that include data and artificial intelligence could play a key role in improving the running of hospital wards and disease management, according to the findings of new research.
ซอฟต์แวร์ที่สร้างขึ้นจาก ‘building blocks ‘ สามารถใช้งานร่วมปัญญาประดิษฐ์ เพื่อสนับสนุนบุคลากรทางการแพทย์ได้
ผลการวิจัยใหม่ระบุว่าแนวทางแบบ Building-block ใหม่ ในการสร้างเครื่องมือดิจิทัลที่รวมข้อมูลและปัญญาประดิษฐ์ อาจมีบทบาทสำคัญในการปรับปรุงการดำเนินงานของหอผู้ป่วยในโรงพยาบาล และการจัดการโรคต่างๆ โดยการค้นหาข้อมูลงานวิจัยทางการแพทย์ใหม่ๆ
การศึกษาโดย Dr. Robert Free จากสถาบันวิจัยสุขภาพและการดูแลแห่งชาติ (NIHR) ศูนย์วิจัยชีวการแพทย์เลสเตอร์ (BRC) ชี้ให้เห็นว่าการใช้ building-blocks เพื่อสร้างโปรแกรมสนับสนุนการตัดสินใจทางคลินิก จะทำให้สามารถสร้างเครื่องมือดิจิทัลที่ช่วยให้เจ้าหน้าที่ทางการแพทย์จัดลำดับความสำคัญในการดูแลผู้ป่วยและปริมาณงานได้อย่างมีประสิทธิภาพมากขึ้น
การศึกษาที่ตีพิมพ์ใน Frontiers in Digital Health สรุปว่า ระบบของซอฟต์แวร์คอมพิวเตอร์ที่พัฒนาโดยทีมวิจัย สามารถเปิดใช้งานโปรโตคอลการจัดการโรคที่มีประสิทธิภาพมากขึ้นได้เร็วขึ้นสำหรับการจัดการการรับเข้าของโรคปอดบวมในชุมชน (CAP) ในท้องถิ่นได้อย่างไร นอกจากนี้ยังสำรวจว่าแนวทางนี้สามารถนำไปใช้กับการดูแลสุขภาพโดยทั่วไปได้อย่างไร
ระบบ Building Block, Embeddable AI และ State-based Understandable Logic (EASUL) สามารถใช้ข้อมูลประวัติ เวชระเบียนอิเล็กทรอนิกส์ และรวมอัลกอริธึมเพื่อพัฒนาแพลตฟอร์มดิจิทัลที่รองรับการดูแลทางคลินิกในขั้นตอนต่างๆ สำหรับผู้ป่วย และช่วยให้เจ้าหน้าที่ทางการแพทย์ตรวจสอบสิ่งนี้ รวมถึงแนวโน้มที่จะเกิดขึ้น ผลลัพธ์ของผู้ป่วย
ในการศึกษานี้ นักวิจัยได้จำลองสถานการณ์โดยใช้ข้อมูลผู้ป่วยที่มีอยู่และการปรึกษาหารือกับทีมพยาบาลผู้เชี่ยวชาญด้านโรคปอดบวม (SPIN) เพื่อทดสอบว่าโปรแกรมที่สร้างโดยใช้ EASUL สามารถนำไปใช้เพื่อช่วยแพทย์ในการจัดการผู้ป่วยที่เข้ารับการรักษาด้วย CAP ได้อย่างไร โปรแกรมนี้ได้รับข้อมูลจากผู้ใหญ่ 52,471 คนที่เข้ารับการรักษาระหว่างเดือนเมษายนถึงมิถุนายน 2565 โดย 630 คนในจำนวนนี้ได้รับการวินิจฉัยว่าเป็นโรค CAP คำแนะนำและข้อมูลที่สร้างโดยโปรแกรมถูกนำมาเปรียบเทียบกับการประเมินความเสี่ยงทางคลินิกที่ได้รับจากทีมงาน SPIN
เมื่อนับรวมแล้ว การประเมินความเสี่ยง EASUL ตรงกับทีม SPIN 49.4 % ของเวลาทั้งหมด EASUL ไม่เคยจัดอันดับผู้ป่วยรายใดว่ามีความเสี่ยงต่ำซึ่งได้รับการจัดอันดับว่ามีความเสี่ยงสูงโดยทีมงานทางคลินิก EASUL ยังระบุ 57 กรณีซึ่งเมื่อตรวจสอบโดยนักวิจัยแล้ว ควรได้รับการจัดอันดับว่ามีความเสี่ยงสูง แต่เจ้าหน้าที่ทางคลินิกจะบันทึกว่าต่ำหรือปานกลางเท่านั้น
ผู้เขียนรายงานเน้นย้ำว่าความแตกต่างน่าจะเกิดจากการตัดสินทางคลินิกของแต่ละบุคคล ซึ่งการประเมินความเสี่ยงอย่างกว้างขวางไม่ได้รับการพิจารณาว่ามีความเหมาะสมทางคลินิก เนื่องจากขาดข้อมูลที่มีอยู่ในข้อมูลผู้ป่วยที่มีอยู่ จึงไม่สามารถรวมองค์ประกอบนี้ในการประเมินได้
นักวิจัยที่อยู่เบื้องหลัง EASUL ยังเชื่อว่าข้อดีอีกประการหนึ่งคือการออกแบบที่ยืดหยุ่น ช่วยให้สามารถรวม “ข้อมูลได้ทันที” ที่รวบรวมระหว่างการรักษาและการวิจัยไว้ในระบบได้อย่างง่ายดาย นอกจากนี้ยังได้รับการออกแบบในรูปแบบที่สามารถบูรณาการเข้ากับระบบสนับสนุนการตัดสินใจทางคลินิกแบบดิจิทัลที่มีอยู่ได้
เป็นผลให้สามารถปรับ EASUL ให้เหมาะสมกับความต้องการของการตั้งค่าทางคลินิกที่หลากหลาย นอกจากนี้ยังได้รับการออกแบบให้ปรับการคำนวณโดยอัตโนมัติในกรณีที่ข้อมูลขาดหายไป ซึ่งหมายความว่าสามารถให้ข้อมูลที่มีประสิทธิภาพและเกี่ยวข้องแก่เจ้าหน้าที่ทางคลินิกในสถานการณ์ต่างๆ ที่หลากหลาย
Dr. Robert Free ผู้บรรยายในสาขาวิทยาศาสตร์ข้อมูลสุขภาพและผู้วิจัยหลักในการศึกษานี้ กล่าวว่า “นี่เป็นการพัฒนาที่น่าตื่นเต้นมาก ระบบทางคลินิกที่พิสูจน์แนวคิดของเราช่วยให้เราสามารถแสดงให้เห็นว่าแนวทางแบบ Building Block ของเราสามารถจัดการกับอัลกอริธึมที่มีความซับซ้อนต่างกันได้อย่างไร ครอบคลุมการดูแลผู้ป่วย การใช้ EASUL ทำให้เราสามารถรวมทั้งคะแนนความเสี่ยงทั่วไปและแบบจำลองปัญญาประดิษฐ์ที่มีอยู่แล้วไว้ในเวิร์กโฟลว์ที่ขับเคลื่อนด้วยข้อมูลแบบเรียลไทม์ จากนั้นนำเสนอต่อแพทย์—ช่วยให้พวกเขาตัดสินใจเกี่ยวกับการรักษาผู้ป่วยได้”
Dr. Pranabhashis Haldar อาจารย์คลินิกอาวุโสในหัวข้อ Respiratory Theme ของ NIHR Leicester BRC และผู้มีส่วนร่วมในการศึกษาวิจัย กล่าวเสริมว่า “แนวทางที่ยืดหยุ่นของเราหมายความว่าสามารถขยายออกไปเพื่อรองรับข้อมูลประเภทต่างๆ ขั้นตอนการทำงานที่ปรับเปลี่ยนได้ รวมถึงโมเดลปัญญาประดิษฐ์ขั้นสูง และแอปบนอุปกรณ์เคลื่อนที่ที่เป็นไปได้ นอกจากนี้ ยังสามารถใช้เพื่อสนับสนุนการดำเนินการดูแลสุขภาพที่ควบคุมโดยผู้ป่วย เช่น การตรวจสอบระยะไกล”
Dr. Free สรุปว่า “เราเชื่อว่า EASUL และแนวทางที่คล้ายกันเป็นขั้นตอนสำคัญในการใช้ข้อมูลด้านสุขภาพจากหลายแหล่งได้ดีขึ้น และจะช่วยเสริมสร้างความไว้วางใจและความรับผิดชอบในปัญญาประดิษฐ์ที่ซับซ้อน ซึ่งจะช่วยสนับสนุนการตัดสินใจทางคลินิก อย่างไรก็ตาม เราตระหนักดีว่าการวิจัยเพิ่มเติม เป็นสิ่งจำเป็นก่อนจึงจะสามารถเผยแพร่ไปสู่สถานพยาบาลที่กระตือรือร้นได้”