虽然 80-85% 的败血症病例在入院后 48 小时内出现，但其死亡率较低 (5-10%)，而较晚出现且死亡率较高 (15-30%) 的病例有 15-20%。
为了更好、更早地识别入院时未出现的败血症病例，一家大型安全网医院在住院环境中创建了端到端的早期败血症预测和响应工作流程。 首先，建立了一个机器学习模型来实时预测患者患败血症的风险。
接下来，该模型被纳入临床工作流程 通过 远红外 API 使其在护理时具有可操作性。 该模型每 15 分钟访问一次 EHR，并在风险超过特定阈值时向护理人员发出警报，该阈值可以根据当地人群进行定制。
最后，添加了 EHR 集成决策支持应用程序（ISLET），使临床医生能够轻松查看和理解模型输出，从而提高可操作性。 预测、警报、根本原因可视化以及对案例采取行动就完成了整个工作流程。 去年，这个完整的工作流程每 15 分钟就为数千名患者运行。
Yusuf Tamer 是帕克兰临床创新中心的首席数据和应用科学家。 他将在以下网址详细讲述这个故事 HIMSS24 在题为“通过 ML 和 ISLET 可视化关闭脓毒症预测循环”的教育会议中。
我们采访了 Tamer，以便在下个月奥兰多的大型演出之前先睹为快。
问：您会议的首要焦点是什么？ 为什么它对当今医院和卫生系统的卫生 IT 领导者很重要？
A。 败血症是一种由感染引发的严重疾病，可导致多器官衰竭。 这是一种医疗紧急情况，需要迅速识别和治疗。 我的会议的主要焦点是讨论人工智能在 败血症的早期预测 在医院环境内。
医疗保健领域的人工智能系统越来越多地补充医疗保健提供者，为他们提供怀疑的理由。 当提供者相信他们给出的理由时，就会对这些怀疑采取行动。 这种信任建立在两个关键支柱之上：及时性和可解释性。
及时性对于脓毒症检测至关重要。 越早发现败血症，患者康复的机会就越大。 如果人工智能系统识别败血症并在服务提供者开始治疗后向他们发出警报，则会降低系统的价值。 它可能会扰乱临床工作流程并削弱对人工智能系统的信任。 因此，人工智能系统的设计必须能够提供及时的警报，真正帮助治疗过程。
可解释性是另一个关键方面。 在患者护理环境中，提供者采取的每项行动都需要接受审核。 虽然人工智能系统不是最终决策者，但它们可以显着影响决策。
因此，人工智能系统或机器学习模型做出的决策必须是可解释的。 这种透明度对于审计目的至关重要，并确保人工智能辅助医疗保健的问责制。
此外， 人工智能系统的可解释性 不仅对于审计很重要，而且对于与医疗保健提供者建立信任也很重要。 如果人工智能系统能够为其预测提供清晰、易于理解的理由，医疗保健提供者就更有可能信任其建议并采取行动。
本次会议将提供有关人工智能如何增强脓毒症早期预测的宝贵见解，强调及时性和可解释性在建立信任和改善患者治疗结果方面的重要性。
这个主题对于健康 IT 领导者来说至关重要，因为它涉及技术和患者护理的交叉点，强调如何利用人工智能来改善医疗保健服务。
问：您希望会议参加者离开时能学到的一项主要知识是什么？ 这对当今的医疗保健有何重要意义？
A。 我希望与会者从本次会议中获得的主要收获是机器学习模型不一定是“黑匣子”。 虽然性能是这些模型的关键因素，但如果具有可比的性能，那么受到提供商信任的可解释模型将得到更多使用。 在当今的医疗保健和健康 IT 背景下，这是一个至关重要的理解。
机器学习模型通常被认为复杂且不透明，使得医疗保健提供者很难信任和使用它们。 然而，重要的是要了解这些模型可以设计得透明且可解释。
为其预测提供清晰、易于理解的理由的模型可以在医疗保健提供者之间建立信任，从而提高利用率，即使其性能只能与不太透明的模型相媲美。
此外，数据的可视化表示可以显着增强这些模型提供的价值。 一图确实胜过千言万语。 说明患者的生命体征或实验室值如何随时间变化的图形可以比简单的数字输出提供更多的价值。
它可以帮助医疗保健提供者更好地了解患者的病情和模型的预测，从而做出更明智的决策。
在本次会议中，我们将讨论如何创建带有有关机器学习模型的图形的报告页面，以及如何将其集成到 EHR 中。 这种集成允许医疗保健提供者直接在患者的 EHR 中访问和理解模型的预测，从而增强模型的可用性。
此外，我们将探讨快速医疗保健互操作性资源 API 如何开辟新的、快速的交互式方式来可视化机器学习见解。 这些 API 允许将机器学习模型与现有医疗保健 IT 系统无缝集成，从而实现模型预测的实时交互式可视化。
本次会议旨在揭开医疗保健领域机器学习模型的神秘面纱，并强调可解释性和可视化在建立信任和增强这些模型的可用性方面的重要性。 这种理解对于健康 IT 领导者来说至关重要，因为他们要驾驭医疗保健领域快速发展的人工智能格局。
问：您希望会议参加者离开时还能学到什么？ 这对当今的医疗保健和/或健康 IT 有何重要意义？
A。 活跃用户（在本例中为医疗保健提供者）的持续反馈对于增强 人工智能系统在医疗保健领域的价值。 这是当今医疗保健和健康 IT 的一个重要方面。
人工智能系统不是独立的实体； 它们是包括医疗保健提供者、患者和其他利益相关者在内的更大生态系统的一部分。 因此，这些系统的开发和完善应该是一个协作的过程。
当医疗保健提供者参与机器学习解决方案的开发时，他们可以更好地了解这些系统的工作原理。 这种理解促进了信任，进而增强了他们在决策过程中对该工具的使用。
此外，由于从各种系统收到大量警报，医疗保健提供者经常面临警报疲劳。 这可能会导致重要警报被忽视，从而可能影响患者护理。
因此，获取提供商关于警报内容以及警报前等待时间的意见至关重要。 这种反馈有助于设计更有效的警报系统，减轻警报疲劳，并最终改善患者护理。
此外，来自医疗保健提供者的持续反馈可以帮助确定人工智能系统的改进领域。 提供商作为这些系统的最终用户，可以提供有关系统在临床环境中的性能、可用性和相关性的宝贵见解。 该反馈可用于完善系统，使其更加有效且用户友好。
该会议旨在强调用户反馈在医疗保健人工智能系统的开发和完善中的重要性。 这种理解对于健康 IT 领导者至关重要，因为他们努力以有效、用户友好且有利于患者护理的方式将人工智能集成到医疗保健中。
这种人工智能开发的协作方法不仅增强了人工智能系统的价值，而且还促进了用户之间的信任和理解。
此次会议“利用 ML 和 ISLET 可视化关闭脓毒症预测循环”定于 3 月 12 日中午至下午 1 点在奥兰多 HIMSS24 的 W304A 室举行。 了解更多并注册。
在 LinkedIn 上关注 Bill 的 HIT 报道： 比尔·斯维茨基
给他发电子邮件： [email protected]
医疗保健 IT 新闻是 HIMSS 媒体出版物。
1709536772
2024-02-28 17:38:05
