Penyelidikan baharu yang diketuai oleh Texas McCombs menawarkan model AI yang meramalkan tempoh penginapan ICU dengan hasil yang boleh dijelaskan, berpotensi mengubah cara hospital mengurus sumber penjagaan kritikal.
Pada kemuncak pandemik COVID-19, hospital di seluruh Amerika Syarikat bergelut untuk bersaing dengan permintaan untuk katil unit rawatan rapi (ICU) apabila bilangan pesakit meningkat. Tetapi sebelum wabak, ICU menghadapi cabaran berterusan dalam mengekalkan katil yang tersedia untuk pesakit yang tenat.
Kecerdasan buatan (AI) memegang janji dalam menangani cabaran ini dengan meramalkan tempoh penginapan ICU, membolehkan hospital mengurus kapasiti katil mereka dengan lebih baik dan mengurangkan kos.
Indranil Bardhan, profesor pengurusan maklumat, risiko dan operasi serta Pengerusi Charles dan Elizabeth Prothro Regents dalam Pengurusan Penjagaan Kesihatan di Texas McCombs School of Business, berada di barisan hadapan dalam inovasi ini.
Bardhan dan pasukannya telah membangunkan model AI yang direka untuk meramalkan tempoh penginapan ICU dengan kejelasan yang lebih baik untuk penyedia penjagaan kesihatan — konsep yang dikenali sebagai kecerdasan buatan (XAI) yang boleh dijelaskan.
“Orang ramai kebanyakannya tertumpu pada ketepatan ramalan, dan itu perkara penting,” kata Bardhan dalam satu kenyataan berita. "Ramalan itu bagus, tetapi bolehkah anda menjelaskan ramalan anda?"
Menjelaskan Ramalan AI
Penyelidikan Bardhan, yang dijalankan bersama pelajar kedoktoran Tianjian Guo, Ying Ding dari UT's School of Information dan Shichang Zhang dari Universiti Harvard, bertujuan menjadikan AI lebih mudah ditafsir dan berguna kepada doktor ICU.
Pasukan itu melatih model mereka pada set data sebanyak 22,243 rekod perubatan dari 2001 hingga 2012, menggabungkan 47 sifat pesakit yang berbeza, seperti umur, jantina, tanda-tanda vital, ubat-ubatan dan diagnosis.
Model ini boleh menghasilkan graf yang menunjukkan kebarangkalian pesakit untuk dilepaskan dalam tempoh tujuh hari dan memperincikan atribut yang paling mempengaruhi hasil ini. Sebagai contoh, model mungkin menunjukkan 8.5% kemungkinan pelepasan dalam masa tujuh hari dan menyerlahkan diagnosis sistem pernafasan sebagai faktor utama, dengan umur dan ubat-ubatan sebagai faktor sekunder yang ketara.
Kajian itu, diterbitkan dalam jurnal Penyelidikan Sistem Maklumat, mendapati bahawa ramalan model adalah tepat seperti model AI terkemuka yang lain, tetapi kuasa penjelasannya adalah lebih baik.
Di luar ICU
Untuk menguji aplikasi praktikal model mereka, para penyelidik meninjau enam pakar perubatan yang bekerja di ICU di kawasan Austin. Empat daripada enam doktor menunjukkan bahawa penjelasan model boleh membantu mereka meningkatkan pengurusan kakitangan dan sumber, membantu dalam penjadualan pesakit yang lebih berkesan.
Walaupun dijanjikan, model ini mempunyai had yang ketara: ia menggunakan data lapuk dari sebelum 2014, apabila industri penjagaan kesihatan beralih daripada sistem pengekodan ICD-9-CM kepada ICD-10-CM, yang menawarkan maklumat diagnostik yang lebih terperinci dan khusus.
"Sekiranya kami boleh mendapatkan akses kepada data yang lebih terkini, kami pasti ingin memanjangkan model kami menggunakan data itu," tambah Bardhan.
Walau bagaimanapun, model ini berpotensi untuk disesuaikan di luar ICU dewasa. Bardhan mencadangkan ia juga boleh digunakan di ICU pediatrik dan neonatal, bilik kecemasan dan juga unit hospital biasa untuk meramalkan tempoh penginapan pesakit dan mengoptimumkan pengurusan katil.
sumber: Sekolah Perniagaan UT Austin McCombs