По мнению исследователей, использование искусственного интеллекта для сортировки пациентов способно оптимизировать медицинские услуги и одновременно решить такие проблемы, как резистентность к антибиотикам.
Респираторные симптомы являются наиболее распространенной жалобой, с которой обращаются к врачам первичного звена, пишут Эмиль Ларус Сигурдссон, профессор кафедры семейной медицины Университета Исландии и коллеги в журнале Annals of Family Medicine. Симптомы могут указывать на серьезное заболевание, но могут и пройти сами по себе. Учитывая этот диапазон, сортировка пациентов перед очной консультацией может помочь врачам снизить нагрузку и расходы на здравоохранение, предлагая пациентам с низким риском другие способы общения. Использование искусственного интеллекта (ИИ) могло бы еще больше ускорить этот процесс.
Поэтому исследователи провели ретроспективное исследование, чтобы понять, может ли модель машинного обучения сортировать пациентов с респираторными симптомами до визита в клинику первичной медицинской помощи. Они обнаружили, что технология позволила сократить количество направлений на рентгенографию грудной клетки (РГК), исключив ее у пациентов с низким риском.
Издание Healio побеседовало с Сигурдссоном, чтобы узнать больше о возможностях модели машинного обучения, потенциале ИИ в первичной медицинской помощи и многом другом.
Healio: Опишите, пожалуйста, ваше исследование. Почему вы изучали ИИ в сфере первичной медицинской помощи?
Сигурдссон: Наше исследование изучает эффективность моделей ИИ в оценке пациентов с респираторными симптомами в условиях первичной медицинской помощи, в частности, когда пациенты еще находятся дома. Системы здравоохранения во всем мире сталкиваются с проблемами, связанными с перегрузкой, что приводит к росту выгорания среди медицинских работников. Эта проблема осложняется еще и тем, что медицинские работники проводят все меньше времени с пациентами. Большое количество консультаций пациентов по поводу респираторных проблем связано с заболеваниями, которые можно лечить только симптоматически, без проведения клинической оценки. Тем не менее, эти пациенты часто проходят ненужные диагностические исследования и получают антибиотики, что часто не соответствует клиническим рекомендациям.
Будучи сам врачом первичной помощи, я особенно заинтересован в исследованиях, изучающих способы повышения качества наших услуг и снижения нагрузки на персонал первичной помощи. Использование искусственного интеллекта может стать перспективным подходом к решению этих проблем, помогая в первоначальной оценке и сортировке пациентов, потенциально сокращая количество ненужных консультаций и вмешательств.
Healio: Каковы ваши выводы и их значение?
Сигурдссон: Это ретроспективное исследование показывает возможность классификации пациентов на основе тяжести их симптомов, используя только их симптоматическую историю до обращения за помощью в систему здравоохранения. Результаты показывают, что примерно одна треть пациентов относится к группе низкого риска. Эта группа имеет следующие характеристики:
- Все их РГК отрицательны на пневмонию и опухоли, хотя значительное число этих сканирований выявляет случайные находки (инциденталомы), которые часто не имеют клинической значимости (в нашем исследовании все инциденталомы были незначительными) и приводят к увеличению затрат и дискомфорта для пациентов. У них низкие значения С-реактивного белка, что свидетельствует о высоком проценте вирусных заболеваний.
- В этой группе высока частота кодов Международной классификации болезней (МКБ), при которых не требуется применение антибиотиков или дальнейшее медицинское обследование. Несмотря на это, такое лечение назначается часто. Интересно, что ни у одного пациента из группы низкого риска не была диагностирована пневмония, ни по коду МКБ, ни по положительной РГК.
- Отмечается низкий уровень повторного обследования в течение 7 дней как в учреждениях первичной медицинской помощи, так и в отделениях неотложной помощи.
Эти наблюдения подчеркивают потенциальную эффективность сортировки пациентов путем первоначальной оценки симптомов с целью сокращения ненужных визитов к врачу и лечения.
Healio: Каковы клинические последствия вашего исследования?
Сигурдссон: В настоящее время у нас нет возможности определить тяжесть заболевания пациента до того, как он обратится за помощью в систему здравоохранения. Если бы у нас была модель ИИ, способная достоверно оценить тяжесть заболевания, мы могли бы более эффективно подсказывать пациентам, куда обращаться за помощью, оставаться ли им дома и получать симптоматическое лечение или выбрать телемедицинскую консультацию вместо очного визита. Пандемия COVID-19 значительно расширила использование телемедицинских консультаций, однако не существует никаких руководящих принципов, определяющих, кто имеет право на такие консультации. Исследование показывает, что мы можем сократить количество физических клинических консультаций на 35%.
Резистентность к антибиотикам является растущей проблемой во всем мире, и наиболее эффективным способом смягчения этой проблемы является сокращение ненужного использования антибиотиков. Данное исследование показывает, что применение искусственного интеллекта может снизить использование антибиотиков на 25%.
Еще одной проблемой является чрезмерное использование диагностической визуализации, но наше исследование показывает, что потенциально можно сократить количество направлений на визуализацию на 35% без риска пропустить диагностику таких серьезных заболеваний, как пневмония. Таким образом, внедрение ИИ в сортировку пациентов может повысить эффективность и точность оказания медицинской помощи.
Healio: Есть ли еще что-нибудь, что вы хотели бы добавить?
Сигурдссон: Наше исследование демонстрирует потенциал ИИ в условиях первичной медицинской помощи. Внедряя ИИ для сортировки пациентов, мы можем не только оптимизировать медицинские услуги, но и внести значительный вклад в борьбу с такими глобальными проблемами, как резистентность к антибиотикам и чрезмерное использование диагностических ресурсов. Это захватывающий шаг вперед в нашем постоянном стремлении улучшить результаты медицинского обслуживания при сохранении эффективности нашей системы здравоохранения. Однако мы понимаем, что это только начало, и для совершенствования и оптимизации использования ИИ в здравоохранении необходимы более масштабные исследования и испытания.
