Maskinlæringsforudsigelse af parametre for tidlige advarselsscore i generelle afdelinger

Ved sygdom eller tilskadekomst bliver patienterne lægevurderet og i første omgang behandlet i akutmedicinske ambulatorier, skadestuer og operationer. Hvis det er medicinsk indiceret, kan pleje og behandling også gives på hospitalet. Afhængig af sygdommens sværhedsgrad og det medicinske hovedproblem ydes denne pleje på sygehusafdelinger, som primært varetages af specifikke specialdiscipliner og tildeles dem i form af f.eks. kliniske afdelinger.

Som led i døgnopholdet foregår behandling og pleje som regel gennem afdelingsrunder af lægepersonalet. Afdelingsrunder er dog stikprøver af individuelle målte værdier på foruddefinerede tidspunkter.

Kvalificeret plejepersonale udfører de aftalte behandlingsplaner og kontrollerer patientens almentilstand flere gange dagligt. I modsætning til intensiv medicinsk overvågning er der dog ingen kontinuerlig overvågning, og derfor er en forværring af en patients tilstand ikke altid umiddelbart synlig. Ydermere kan der udover kendte komplikationer af eksisterende tilstande også opstå nye eller uventede komplikationer.

Selvom monitorering på ikke-intensiv pleje er baseret på diskontinuerlig monitorering, kan hændelser og komplikationer nogle gange være livstruende, især hvis der ikke umiddelbart reageres på en forværring af patientens tilstand. Selvom der er tidlige varslingssystemer såsom scores, er deres reaktionsevne begrænset, blandt andet på grund af den hyppighed, hvormed de indsamles.

Ud over patientspecifikke begrænsninger ved indlæggelsesovervågning, såsom patientsamarbejde i betydningen egenkontrol, medicinske begrænsninger, såsom hyppigheden af ​​undersøgelsen, er der også økonomiske begrænsninger, såsom tilgængeligheden af ​​personale, der kan udstationeres for hyppigere overvågning.

Selvom der er telemedicinske tilgange til overvågning, er opsætningen af ​​disse ofte begrænset både økonomisk og af den ekstra uddannelse, der kræves, f.eks.

Selvom tærskelværdier er (eller kan defineres) for de målte data (vitale tegn, laboratorieparametre, klinisk indtryk og andre), hvis disse overskrides eller ikke nås, vil en konsekvens, f.eks. et terapitrin, kan kun påbegyndes retrospektivt. I denne situation er en patofysiologisk ændring allerede så langt fremme, at en kompensationsmekanisme i mange tilfælde ikke længere fungerer tilstrækkeligt og bliver til en dekompensationssituation. I denne situation er de berørte patienter på en hospitalsafdeling potentielt i livsfare.

En måde at afværge de ovenfor beskrevne farer på kunne være at anvende en reduceret kombination af overvågningsmetoder sammenlignet med intensiv overvågning. Samtidig muliggør brugen af ​​kunstig intelligens den automatiserede evaluering af de indsamlede data og kan dermed føre til forudsigelse af ændringer i parametre, som muliggør tidlig alarmering, det vil sige før forekomsten af ​​patofysiologisk dekompensation.