Machine Learning-voorspelling van parameters van vroege waarschuwingsscores in algemene afdelingen

In geval van ziekte of letsel worden patiënten medisch geëvalueerd en in eerste instantie behandeld in acute medische poliklinieken, spoedeisende hulp en operatiekamers. Indien medisch geïndiceerd kan de zorg en behandeling ook in het ziekenhuis plaatsvinden. Afhankelijk van de ernst van de ziekte en het voornaamste medische probleem wordt deze zorg verleend op ziekenhuisafdelingen, die primair worden verzorgd door specifieke specialistische disciplines en daaraan bijvoorbeeld in de vorm van klinische afdelingen worden toegewezen.

Als onderdeel van het verblijf in een ziekenhuis wordt de behandeling en verzorging doorgaans verleend via afdelingsronden door het medisch personeel. Afdelingsrondes zijn echter steekproeven van individuele meetwaarden op vooraf gedefinieerde tijdstippen.

Gekwalificeerd verplegend personeel voert de afgesproken behandelplannen uit en controleert meerdere keren per dag de algemene toestand van de patiënt. In tegenstelling tot intensieve medische monitoring is er echter geen sprake van continue monitoring en is een verergering van de toestand van een patiënt dus niet altijd direct zichtbaar. Bovendien kunnen er naast bekende complicaties van bestaande aandoeningen ook nieuwe of onverwachte complicaties optreden.

Hoewel niet-intensieve zorgmonitoring gebaseerd is op discontinue monitoring, kunnen incidenten en complicaties soms levensbedreigend zijn, vooral als er niet onmiddellijk wordt gereageerd op een verslechtering van de toestand van de patiënt. Ook al bestaan ​​er systemen voor vroegtijdige waarschuwing, zoals scores, hun reactievermogen is beperkt, deels vanwege de frequentie waarmee ze worden verzameld.

Naast patiëntspecifieke beperkingen van intramurale monitoring, zoals patiëntensamenwerking in de zin van zelfmonitoring, medische beperkingen, zoals de frequentie van het onderzoek, zijn er ook economische beperkingen, zoals de beschikbaarheid van personeel dat kan worden ingezet. voor frequentere controles.

Hoewel er telemedische benaderingen voor monitoring bestaan, wordt het opzetten ervan vaak beperkt, zowel vanuit economisch oogpunt als door bijvoorbeeld de vereiste aanvullende training.

Zelfs als drempelwaarden zijn (of kunnen worden) gedefinieerd voor de gemeten gegevens (vitale functies, laboratoriumparameters, klinische indruk en andere), als deze worden overschreden of niet worden bereikt, kan dit een gevolg zijn, b.v. een therapiestap, kan alleen met terugwerkende kracht worden gestart. In deze situatie is een pathofysiologische verandering al zo ver gevorderd dat in veel gevallen een compensatiemechanisme niet meer adequaat functioneert en overgaat in een decompensatiesituatie. In deze situatie verkeren de getroffen patiënten op een ziekenhuisafdeling mogelijk in levensgevaar.

Eén manier om de hierboven beschreven gevaren af ​​te wenden zou kunnen zijn om een ​​beperktere combinatie van monitoringmethoden te gebruiken in vergelijking met monitoring op de intensive care. Tegelijkertijd maakt het gebruik van kunstmatige intelligentie de geautomatiseerde evaluatie van de verzamelde gegevens mogelijk en kan zo leiden tot de voorspelling van veranderingen in parameters, wat vroegtijdige waarschuwing mogelijk maakt, dat wil zeggen vóór het optreden van pathofysiologische decompensatie.