Искусственный интеллект для прогнозирования длительности пребывания в реанимации, исходов восстановления и затрат после остановки сердца

Когда у пациента происходит остановка сердца и проводится сердечно-лёгочная реанимация (СЛР), семьи и лица, осуществляющие уход, сталкиваются с многочисленными неопределённостями относительно предстоящего пути восстановления. Это важное наблюдательное исследование из Университета Безмиалем Вакиф направлено на устранение этих неопределённостей путём разработки модели искусственного интеллекта, которая может прогнозировать три важнейших аспекта восстановления: как долго пациентам потребуется интенсивная терапия, как может выглядеть их неврологическое восстановление и каких затрат на здравоохранение ожидать.

Исследование проанализирует данные 5000 взрослых пациентов, которым была успешно проведена СЛР и которые были госпитализированы в отделение интенсивной терапии (ОИТ) в период с октября 2010 года по сентябрь 2025 года. В отличие от традиционных клинических испытаний, которые проверяют новые лекарства или методы лечения, это исследование использует передовые технологии машинного обучения для изучения существующих медицинских записей пациентов и выявления закономерностей, которые могут помочь прогнозировать траектории восстановления. Это представляет собой захватывающее применение искусственного интеллекта в здравоохранении, которое может значительно улучшить то, как врачи поддерживают пациентов и их семьи в критические периоды восстановления.

Для пациентов и семей, столкнувшихся с последствиями остановки сердца, опыт пребывания в ОИТ может быть overwhelming и непредсказуемым. Исследование сосредоточено на нескольких ключевых областях, которые глубоко важны для пациентов и лиц, осуществляющих уход. Продолжительность пребывания в ОИТ важна, поскольку она влияет на планирование семьи, эмоциональную подготовку и финансовые соображения. Неврологические исходы помогают семьям понять потенциальное восстановление функций мозга и то, какая реабилитация может потребоваться. Анализ затрат предоставляет crucial информацию о финансовом воздействии длительного лечения в ОИТ, что может быть значительной проблемой для многих семей.

Подход искусственного интеллекта, используемый в этом исследовании, особенно инновационен, поскольку он employs программирование на Python и технологию SHAP (SHapley Additive exPlanations). Что делает это особенным, так это то, что система ИИ не просто делает прогнозы — она также объясняет, как приходит к своим выводам. Это означает, что врачи могут понять, почему модель прогнозирует определённую продолжительность пребывания или исход восстановления, делая технологию более прозрачной и заслуживающей доверия для медицинского принятия решений.

Для лиц, осуществляющих уход, и членов семьи подобные исследования представляют надежду на более персонализированное и предсказуемое планирование восстановления. Когда близкий человек находится в ОИТ после остановки сердца, любая информация, которая помогает anticipate, что будет дальше, бесценна. Это исследование могло бы в конечном итоге привести к созданию инструментов, которые помогут медицинским командам предоставлять более точные временные рамки и ожидания, позволяя семьям лучше подготовиться эмоционально, логистически и финансово к предстоящему пути восстановления.

Важность этого типа исследований выходит далеко за рамки непосредственных результатов исследования. По мере того как искусственный интеллект становится более интегрированным в здравоохранение, подобные исследования помогают обеспечить разработку этих технологий с учётом потребностей пациентов и их семей в центре внимания. Прозрачный подход с использованием технологии SHAP означает, что вместо получения прогноза «чёрного ящика» медицинские команды будут понимать обоснование каждого прогноза, позволяя проводить более информированные обсуждения с пациентами и семьями относительно вариантов лечения и ожиданий восстановления.

Для пациентов, восстанавливающихся после остановки сердца, и их сетей поддержки predictive модели, подобные той, которая разрабатывается в этом исследовании, могли бы в конечном итоге преобразовать то, как управляется восстановление. Вместо того чтобы полагаться исключительно на общую статистику и врачебный опыт, семьи могли бы получать персонализированные прогнозы, учитывающие их конкретную ситуацию. Это могло бы помочь снизить тревогу неопределённости и позволить оказывать более целенаправленную поддержку на протяжении всего процесса восстановления, потенциально улучшая как медицинские исходы, так и общий опыт для всех вовлечённых сторон.