Необходимость госпитализации пациента для неотложной помощи определит машинное обучение

Машинное обучение — область искусственного интеллекта, которая использует статистические методы, позволяющие компьютерным системам «учиться» из данных, и может использоваться для анализа электронных медицинских записей и прогнозирования риска неотложных госпитализаций. Новое исследование проведено в Институте глобального здоровья Джорджа (George Institute for Global Health) в Оксфордском университете (University of Oxford).

Необходимость в госпитализации

Исследование, опубликованное в журнале PLOS Medicine, предполагает, что использование этих методов может помочь практикующим врачам точно отслеживать риски, с которыми сталкиваются пациенты, и принять меры для предотвращения незапланированных госпитализаций, которые являются основным источником расходов на здравоохранение.

«В 2017 году в Великобритании было зарегистрировано более 5,9 миллиона случаев госпитализации в больницу, и значительная часть из них была предотвращена», — сказал автор исследования Фатеме Рахимьян (Fatemeh Rahimian).

«Мы хотели предоставить инструмент, который позволил бы работникам здравоохранения точно контролировать риски, с которыми сталкиваются их пациенты, и, как результат, принимать более эффективные решения в отношении скрининга пациентов и упреждающего ухода, которые могли бы помочь снизить нагрузку на прием в случае чрезвычайных ситуаций».

Материалы и методы обследования

Исследование, состоящее из 4,6 миллионов пациентов, было проведено с 1985 по 2015 год с использованием связанных электронных медицинских записей из Британской клинической практики Datalink. Был принят во внимание широкий спектр факторов, включая возраст, пол, этническую принадлежность, социально-экономический статус, историю семьи, факторы образа жизни, сопутствующие заболевания, медикаментозное и семейное положение, а также время, прошедшее с момента первого диагноза, последнее использование системы здравоохранения и последние лабораторные тесты.

Результаты научной работы

Было установлено, что использование большого количества переменных в сочетании с информацией об их сроках, модели машинного обучения обеспечивают более надежное прогнозирование риска поступления в больницу по скорой медицинской помощи, чем любые предыдущие модели.

«Наши результаты показывают, что с большими наборами данных, которые содержат богатую информацию о людях, модели машинного обучения превосходят одну из лучших традиционных статистических моделей», — сказал Рахимьян. «Мы думаем, это потому, что модели машинного обучения автоматически захватывают и «учатся» от взаимодействия данных, о которых мы ранее не знали».

Авторы другой статьи говорят о необходимости специализированной скорой помощи для своевременного лечения ишемического инсульта.

Приглашаем подписаться на наш канал в Яндекс Дзен


 


Приглашаем подписаться на наш канал в Яндекс Дзен


 
Рейтинг
( Пока оценок нет )
Хусаинов Руслан Халилович / автор статьи
Должность - Главный редактор, автор статьей E-mail для связи - [email protected] Врач - ультразвуковой диагностики, детский травматолог-ортопед  г. Санкт-Петербург.
Понравилась статья? Поделиться с друзьями: