Возможности моделей искусственного интеллекта при принятии решения об экстернации пациента, находящегося в отделении интенсивной терапии () (ICU)

Это исследование предназначено для оценки эффективности моделей общего искусственного интеллекта (ИИ), в частности ChatGPT и Gemini, в облегчении принятия решений о выписке из отделения интенсивной терапии (ОИТ). Основное внимание уделяется оценке эффективности этих моделей искусственного интеллекта при прогнозировании подходящего времени для перевода пациентов из отделения интенсивной терапии в палату общего профиля или выписки домой. В исследовании будут использоваться методы машинного обучения, в том числе алгоритмы случайного леса и дерева решений, для анализа данных пациентов и формирования прогнозов.

Дизайн и методология исследования:

В это проспективное исследование будут включены все пациенты, поступившие в отделения интенсивной терапии в этот период времени. В ходе исследования будут собраны комплексные клинические и демографические данные, включая показания к госпитализации в отделение интенсивной терапии, сопутствующие заболевания, аномальные результаты лабораторных исследований и визуализации, результаты физического осмотра, показатели жизненно важных функций и ежедневное лечение. Данные будут анонимизированы для защиты конфиденциальности пациентов, при этом для обучения и оценки модели ИИ будет использоваться только клиническая информация.

Модели искусственного интеллекта будут обучаться на исторических больничных данных с применением алгоритмов машинного обучения для прогнозирования необходимости дальнейшего ухода в отделении интенсивной терапии или возможности выписки. Эти прогнозы будут ежедневно сравниваться с клиническими решениями, принимаемыми специалистами отделения интенсивной терапии. В исследовании будут использоваться различные статистические методы для оценки точности моделей и их соответствия клиническим решениям, включая тесты хи-квадрат Пирсона, статистику Каппа, тесты Макнемара и анализ ROC (рабочих характеристик приемника).

Обучение и оценка моделей ИИ:

Модели искусственного интеллекта ChatGPT и Gemini пройдут обучение с использованием анонимных данных пациентов с упором на оптимизацию точности прогнозирования при принятии решений о выписке из отделения интенсивной терапии. Процесс обучения будет включать анализ широкого спектра клинических переменных, включая демографические данные (возраст, пол, сопутствующие заболевания), показатели жизнедеятельности, результаты лабораторных исследований и результаты визуализации. Модели будут оцениваться на основе их способности точно прогнозировать потребности в выписке из отделения интенсивной терапии, а результаты будут сверяться с реальными клиническими решениями, принятыми специалистами отделения интенсивной терапии.

Для разработки прогнозных моделей будут использоваться методы машинного обучения, такие как алгоритмы случайного леса и дерева решений. Эти методы выбраны из-за их надежности в обработке сложных клинических данных и их способности дать представление о факторах, наиболее прогнозирующих готовность к выписке из отделения интенсивной терапии.

Статистический анализ:

В исследовании будет применено несколько статистических методов для оценки эффективности моделей ИИ. Описательная статистика будет использоваться для обобщения демографических и клинических характеристик исследуемой популяции. Тесты хи-квадрат Пирсона оценят связь между прогнозами модели ИИ и фактическими решениями о выписке, а статистика Каппа позволит измерить соответствие между прогнозами ИИ и решениями специалистов отделения интенсивной терапии. Тест Макнемара будет использоваться для оценки изменений прогнозов с течением времени, а ROC-анализ будет проводиться для оценки общей производительности моделей ИИ с упором на чувствительность и специфичность.

Ожидаемые результаты и значение:

Целью данного исследования является определить, могут ли модели искусственного интеллекта повысить точность и эффективность решений о выписке из отделения интенсивной терапии. Результаты могут иметь существенное значение для клинической практики, потенциально приводя к интеграции систем поддержки принятия решений на основе искусственного интеллекта в управление отделениями интенсивной терапии. Улучшая сроки и точность решений о выписке, модели искусственного интеллекта могут помочь оптимизировать использование ресурсов отделения интенсивной терапии, сократить продолжительность пребывания пациентов и улучшить общие результаты лечения пациентов.

В исследовании также будет изучена сравнительная производительность ChatGPT и Gemini, что позволит понять, какая модель ИИ лучше подходит для интеграции в клинические рабочие процессы. Результаты могут проложить путь к разработке более совершенных инструментов на основе искусственного интеллекта, адаптированных к конкретным потребностям отделений интенсивной терапии, способствуя постоянному развитию здравоохранения посредством инновационных технологий.