Możliwości modeli sztucznej inteligencji w podejmowaniu decyzji o eksternacji pacjenta, który przebywał na oddziale intensywnej terapii () (ICU)

Celem tego badania jest ocena skuteczności modeli ogólnej sztucznej inteligencji (AI), w szczególności ChatGPT i Gemini, w ułatwianiu podejmowania decyzji o wypisie z oddziału intensywnej terapii (OIOM). Nacisk położono na ocenę skuteczności tych modeli sztucznej inteligencji w przewidywaniu odpowiedniego momentu przeniesienia pacjentów z OIT na oddział ogólny lub wypisu do domu. W badaniu wykorzystane zostaną techniki uczenia maszynowego, w tym algorytmy losowego lasu i drzewa decyzyjnego, do analizy danych pacjentów i generowania prognoz.

Projekt i metodologia badania:

To prospektywne badanie obejmie wszystkich pacjentów przyjętych na oddział intensywnej terapii w tym przedziale czasowym. W badaniu zostaną zebrane kompleksowe dane kliniczne i demograficzne, w tym wskazania do przyjęcia na OIT, choroby współistniejące, nieprawidłowe wyniki badań laboratoryjnych i obrazowych, wyniki badań fizykalnych, parametry życiowe i codzienne leczenie. Dane zostaną zanonimizowane w celu ochrony prywatności pacjentów, a do szkolenia i oceny modeli sztucznej inteligencji wykorzystywane będą wyłącznie informacje kliniczne.

Modele sztucznej inteligencji będą szkolone w oparciu o historyczne dane szpitalne, wykorzystując algorytmy uczenia maszynowego do przewidywania potrzeby dalszej opieki na OIOM-ie lub możliwości wypisu ze szpitala. Przewidywania te będą codziennie porównywane z decyzjami klinicznymi podejmowanymi przez specjalistów OIOM-u. W badaniu zostaną wykorzystane różne metody statystyczne do oceny dokładności modeli i zgodności z decyzjami klinicznymi, w tym testy Chi-Square Pearsona, statystyki Kappa, testy McNemara i analiza ROC (charakterystyka działania odbiornika).

Szkolenie i ocena modelu AI:

Modele AI, ChatGPT i Gemini, zostaną przeszkolone z wykorzystaniem anonimowych danych pacjentów, ze szczególnym naciskiem na optymalizację ich dokładności predykcyjnej w przypadku decyzji o wypisie z OIOM-u. Proces szkolenia będzie obejmował analizę szerokiego zakresu zmiennych klinicznych, w tym danych demograficznych (wiek, płeć, choroby współistniejące), parametrów życiowych, wyników badań laboratoryjnych i wyników badań obrazowych. Modele zostaną ocenione w oparciu o ich zdolność do dokładnego przewidywania potrzeb przy wypisie z OIT, a wyniki zostaną zweryfikowane w oparciu o rzeczywiste decyzje kliniczne podjęte przez specjalistów z OIT.

Do opracowania modeli predykcyjnych zostaną wykorzystane techniki uczenia maszynowego, takie jak algorytmy losowego lasu i drzewa decyzyjnego. Techniki te zostały wybrane ze względu na ich niezawodność w przetwarzaniu złożonych danych klinicznych i zdolność do zapewnienia wglądu w czynniki, które najlepiej przewidują gotowość do wypisu z OIT.

Analiza statystyczna:

W badaniu zostanie zastosowanych kilka metod statystycznych do oceny wydajności modeli sztucznej inteligencji. Do podsumowania cech demograficznych i klinicznych badanej populacji zostaną wykorzystane statystyki opisowe. Testy Chi-Square Pearsona ocenią związek między przewidywaniami modelu AI a faktycznymi decyzjami o wypisie, natomiast statystyki Kappa będą mierzyć zgodność między przewidywaniami AI a decyzjami specjalistów na OIOM-ie. Do oceny zmian przewidywań w czasie zostanie wykorzystany test McNemara, a analiza ROC zostanie przeprowadzona w celu oceny ogólnej wydajności modeli sztucznej inteligencji, ze szczególnym uwzględnieniem czułości i swoistości.

Oczekiwane rezultaty i znaczenie:

Celem tego badania jest ustalenie, czy modele sztucznej inteligencji mogą zwiększyć dokładność i skuteczność decyzji o wypisie z OIT. Odkrycia mogą mieć znaczące implikacje dla praktyki klinicznej, potencjalnie prowadząc do integracji systemów wspomagania decyzji opartych na sztucznej inteligencji w zarządzaniu oddziałami intensywnej terapii. Poprawiając terminowość i dokładność decyzji o wypisie, modele sztucznej inteligencji mogą pomóc zoptymalizować wykorzystanie zasobów OIT, skrócić czas pobytu pacjenta i poprawić ogólne wyniki leczenia.

W badaniu zbadana zostanie także porównawcza wydajność ChatGPT i Gemini, co pozwoli stwierdzić, który model sztucznej inteligencji lepiej nadaje się do integracji z przepływami pracy w klinice. Wyniki mogą utorować drogę do opracowania bardziej zaawansowanych narzędzi opartych na sztucznej inteligencji, dostosowanych do konkretnych potrzeb oddziałów intensywnej terapii, przyczyniając się do ciągłej ewolucji opieki zdrowotnej dzięki innowacyjnej technologii.