استُخدمت أداة ذكاء اصطناعي طورها باحثون في كلية لندن الجامعية (UCL) بالتعاون مع الموظفين في مستشفى الجامعة المذكورة (UCLH) للتنبؤ بعدد المرضى القادمين من قسم الطوارئ الذين سيحتاجون إلى دخول المستشفى، مما يساعد المخططين على إدارة الطلب على الأسرّة.

 تُقدّر الأداة، الموصوفة في ورقة جديدة في مجلة NPJ Digital Medicine، عدد أسرّة المستشفيات المطلوبة في غضون أربع وثماني ساعات من خلال النظر في البيانات الحية للمرضى الذين وصلوا إلى قسم الطوارئ بالمستشفى.

أظهر فريق البحث في الدراسة، أن الأداة كانت أكثر دقة من المعيار التقليدي الذي استخدمه المخططون، بناءً على متوسط ​​عدد الأسرّة المطلوبة في نفس اليوم من الأسبوع عن الأسابيع الستة السابقة.

توفر الأداة، التي تمثل أيضًا المرضى الذين لم يصلوا بعد إلى المستشفى، معلومات أكثر تفصيلاً من الطريقة التقليدية. فبدلاً من توقع رقم واحد لليوم بشكل عام، تتضمن الأداة توزيعًا احتماليًا لعدد الأسرّة التي ستكون مطلوبة في غضون أربع وثماني ساعات وتقدم توقعاتها أربع مرات في اليوم وتٌرسل عبر البريد الإلكتروني إلى مخططي المستشفيات.

يعمل فريق البحث الآن مع مستشفى (UCLH) على تحسين النماذج حتى يتمكنوا من تقدير عدد الأسرّة المطلوبة في مناطق مختلفة من المستشفى (مثل أسرّة الأجنحة الطبية أو أجنحة الجراحة).

أوضحت المؤلفة الرئيسية الدكتورة زيلا كينج، من وحدة البحوث التشغيلية السريرية في كلية لندن الجامعية ومعهد المعلومات الصحية في الكلية: “توفر نماذج الذكاء الاصطناعي لدينا صورة أكثر ثراءً حول الطلب المحتمل على الأسرّة على مدار اليوم.

فهي تستفيد من بيانات المريض في اللحظة التي تُسجل فيها. نأمل أن يساعد هذا المخططين في إدارة تدفق المرضى – وهي مهمة معقدة تتضمن موازنة عدد المرضى المُخطط له مع حالات الدخول الطارئة. كما أنه مهم في تقليل عدد العمليات الجراحية المُلغاة وفي ضمان رعاية عالية الجودة”.

قالت أليسون كليمنتس، رئيس قسم استقبال المرضى والاستعداد للطوارئ والمرونة والاستجابة في جامعة كاليفورنيا في لوس أنجلوس: “ستكون أداة الذكاء الاصطناعي ذات قيمة كبيرة في مساعدتنا في إدارة عمليات قبول وتدفق المرضى في جامعة كاليفورنيا في لوس أنجلوس. خطوتنا التالية هي البدء في استخدام التنبؤات في حالات الدخول اليومية. نتطلع إلى استمرار العمل مع كلية لندن الجامعية لتحسين الأداة وتوسيع قدرتها التنبؤية عبر المستشفى”.

قام الباحثون بتدريب 12 نموذجًا للتعلم الآلي باستخدام بيانات المرضى المُسجلة في جامعة كاليفورنيا بلوس أنجلوس بين مايو 2019 ويوليو 2021. قيّمت هذه النماذج احتمالية دخول كل مريض إلى المستشفى من قسم الطوارئ بناءً على العمر وكيفية وصول المريض إلى المستشفى، ونتائج الفحص، وعدد الاستشارات مع جمع هذه الاحتمالات لتقدير إجمالي عدد الأسرّة المطلوبة.

قورنت تنبؤات النماذج بالقبول الفعلي بين مايو 2019 ومارس 2020، ووجدوا أنها تفوقت على الطريقة التقليدية، مع تنبؤات مركزية بمتوسط ​​أربعة حالات مقبولة من الرقم الفعلي مقارنةً بالطريقة التقليدية، والتي كانت في المتوسط ​​6.5 حالة.  تمكن الباحثون عقب موجة كوفيد-19 من تكييف النماذج لمراعاة الاختلافات الكبيرة في كلٍ من عدد حالات الدخول، ومقدار الوقت الذي يقضونه في قسم الطوارئ.

أضافت المؤلفة الرئيسية الأستاذة سونيا كرو، مديرة وحدة البحوث التشغيلية السريرية في جامعة لندن: “ركزت معظم تطبيقات الذكاء الاصطناعي في الرعاية الصحية حتى الآن على الأسئلة السريرية، بينما تهدف الأداة التي طورناها مع جامعة كاليفورنيا في لوس أنجلوس إلى مساعدة الجانب التشغيلي للرعاية الصحية – أي كيفية عملها”.

وتابعت بقولها: “كان هذا العمل ممكنًا بفضل التعاون الوثيق بين الباحثين في كلية لندن الجامعية والموظفين في مستشفى الكلية. صُمم نهجنا وفقًا لأنظمة المستشفى، ولكننا نأمل أن تعمل به المستشفيات الأخرى”.

قالت لورين والتون، مديرة العمليات السريرية في مستشفى الجامعة لإدارة الأسرّة: “تكمن فائدة هذه الأداة في قدرتها على الاستجابة للتغيرات في الوقت الفعلي لاحتياجات المريض وتشخيصه. قد تكون هذه التغيرات قصيرة الأجل أو طويلة الأجل. وجدنا على سبيل المثال أن الأداة يمكن توظيفها للاستخدام أثناء الجائحة. والأهم من ذلك أن هذه الأداة ستساعد في تحسين تجربة المريض والنتائج بمجرد تنقيحها”.

ركز كل نموذج من النماذج الاثني عشر على البيانات في فترات زمنية مختلفة منذ وصول المريض، حيث ركز النموذج الأول فقط على البيانات المسجلة وقت الوصول، والثاني على البيانات المسجلة في أول 15 دقيقة بينما ركز النموذج 12 على البيانات المسجلة خلال 12 ساعة.

ويرجع ذلك إلى تباين أهمية العوامل، اعتمادًا على الوقت المُنقضي ومقدار البيانات الأخرى المتاحة. على سبيل المثال، في النموذج 1، كانت طريقة الوصول إلى المستشفى عاملاً مهمًا، لكنها أصبحت أقل أهمية في النماذج اللاحقة. وجد الباحثون أن استخدام 12 نموذجًا معًا كان أكثر دقة من استخدام عدد أقل من النماذج.

المصدر :https://medicalxpress.com

ترجمة: مرنا عماد

مراجعة وتدقيق: زينب محمد