الإشارة السريرية التي لا تُقاس غالبًا
تقضي ممرضات المستشفى نوبات العمل كاملة بين جولات الأدوية، وفحوصات العلامات الحيوية، والتوثيق، والحديث مع العائلات، واتخاذ أحكام صغيرة متواصلة بشأن ما إذا كان المريض يبدو مستقرًا أم لا. وفي مثل هذا السياق، قد تكون إحدى أهم صور الخبرة أيضًا من أصعبها توثيقًا: الإحساس بأن هناك شيئًا غير طبيعي قبل أن تُظهر المقاييس القياسية ذلك بوضوح.
بنت كِلي غليسون، الأستاذة المشاركة في كلية التمريض بجامعة جونز هوبكنز، أبحاثها حول هذه المشكلة تحديدًا. وتقول إن الممرضات مدرَّبات على قراءة الناس بقدر ما يقرأن أجهزة المراقبة. فهن يلاحظن التغيرات في المظهر، واليقظة، والسلوك، أو الصورة العامة التي قد لا تُطلق إنذارًا فورًا في نظام إنذار مبكر تقليدي بالمستشفى. ومع ذلك، من دون وسيلة موضوعية للتعبير عن هذه المخاوف، قد تبقى الفكرة مجرد إحساس، حتى عندما يتبين لاحقًا أنها كانت دقيقة.
والنتيجة هي سيناريو متكرر وصعب في الرعاية الحادة. تشعر الممرضة بقلق خفيف على مريض، لكن ضغط الدم ومعدل ضربات القلب ومؤشرات قياسية أخرى تبدو طبيعية. وقد يكون من الصعب تبرير إبعاد الطبيب عن جولته من دون أدلة أكثر تحديدًا، كما أن ضغط العمل لا يترك وقتًا كافيًا لفحص الحدس بشكل منظم. وأحيانًا تكشف النوبة التالية أن حالة المريض قد ساءت وأنه نُقل إلى العناية المركزة.
إضافة حكم التمريض إلى أنظمة التعلم الآلي
لا يهدف نهج غليسون إلى استبدال تنبيهات المستشفى القائمة، بل إلى تعزيزها. فالمستشفيات تستخدم بالفعل أنظمة إنذار مبكر تعالج بيانات المرضى عبر عدة نوبات وتنتج درجات للمخاطر. وإذا تجاوزت الدرجة عتبة معينة، يتلقى فريق الرعاية تنبيهًا. وعلى نحو متزايد، تستخدم هذه الأنظمة التعلم الآلي لتحسين التنبؤ بمن قد يكونون معرّضين للتدهور.
وتؤدي هذه الأنظمة دورًا مفيدًا كشبكة أمان. فهي تتابع المريض بمرور الوقت، وتحافظ على الاستمرارية عبر تبدل النوبات، وتساعد الأطباء على عدم تفويت الأنماط في جناح مزدحم. لكنها لا تزال مبنية في الأساس على مدخلات بيانات موثقة، وخصوصًا العلامات الحيوية والعوامل الأخرى القابلة للقياس. ويتمثل التحدي في أن الممرضات عند السرير غالبًا ما يلتقطن أنماطًا مثيرة للقلق قبل أن يمكن اختزالها بوضوح إلى أرقام.
وتهدف أعمال جونز هوبكنز إلى سد هذه الفجوة عبر إيجاد طريقة لقياس تلك الملاحظات السريرية عند السرير ودمجها في أنظمة إنذار مدعومة بالذكاء الاصطناعي. والفكرة هنا ليست حدسًا غامضًا يُترجم مباشرة إلى برمجيات، بل التقاط منظم لملاحظات سريرية دقيقة تكرر الممرضات الخبيرات رصدها، وقد ترتبط بالتدهور حتى عندما لم تتجاوز المقاييس القياسية العتبة بعد.
لماذا يهم ذلك لسلامة المرضى
القيمة المقترحة واضحة: إذا أمكن التعرف على تدهور المريض قبل ساعتين، فقد تتحسن النتائج بشكل كبير. وتصف غليسون حالات كان يمكن فيها أن يؤدي اكتشاف التدهور مبكرًا إلى إنقاذ حياة أو الحفاظ بدرجة كبيرة على جودة الحياة. وبالنسبة للممرضات، قد تبقى تلك اللحظات عالقة لأن القلق كان حقيقيًا، لكنه لم يكن قابلًا للتصرف الفوري بما يكفي لدفع التصعيد في ذلك الوقت.
ولهذا السبب يتجاوز هذا العمل مجرد تحسين سير العمل. فهو يعالج نقطة عمياء معروفة في الأنظمة السريرية الحديثة: فالطب يقيس ما يمكن عده، لكن ليس كل ما هو مهم يمكن عده بسهولة من النظرة الأولى. وغالبًا ما تكون الممرضات أكثر العاملين السريريين ملازمةً لسرير المريض، ما يمنحهن وصولًا إلى إشارات غنية لكنها صعبة التوحيد.
إذا استطاعت أدوات الذكاء الاصطناعي المساعدة في تحويل هذه الملاحظات إلى مؤشرات خطر ذات معنى، فقد تكسب المستشفيات طبقة إنذار أبكر وأكثر دقة. وهذا لا يعني أن الآلة تصبح المرجع الأعلى فوق الممرضة. بل يعني، إن صح التعبير، أن البرمجيات تصبح أفضل في الاستماع إلى خبرة الخطوط الأمامية بدلًا من تسطيح الرعاية إلى مجموعة من المدخلات الروتينية.
التحدي التشغيلي
ليس من السهل تحويل هذا المفهوم إلى ممارسة قابلة للاستخدام. فالمستشفيات تعاني أصلًا من إرهاق التنبيهات، وعبء التوثيق، والضغط المفرط على سير العمل. وأي نظام جديد يطلب من الممرضات مزيدًا من المدخلات يجب أن يثبت أن الجهد الإضافي ينتج قيمة سريرية حقيقية. أما النموذج الذي لا يفعل أكثر من إضافة مربع اختيار آخر أو تيار من التنبيهات المزعجة فسيفشل سريعًا في اختبار الواقع عند السرير.
وهذا ما يجعل صياغة جهود جونز هوبكنز مهمة. فالهدف هو تعزيز الذكاء الاصطناعي القائم في أنظمة الإنذار المبكر، لا إضافة أداة منفصلة ومنقطعة الصلة. عمليًا، فإن أفضل نسخة من هذا النهج ستساعد الممرضات على التعبير عن القلق بكفاءة، وربط تلك المخاوف ببيانات أوسع عن المريض، ورفع الحالات التي يتطابق فيها الانطباع عند السرير مع الأنماط على مستوى النظام.
ولا يذكر التقرير المقدم منتجًا نهائيًا أو نتيجة نشر، لذا لا يزال هذا قصة تطوير لا قصة اعتماد سريري. لكنه يطرح سؤال تصميم جادًا في الذكاء الاصطناعي الصحي: هل يمكن للبرمجيات أن تلتقط الذكاء القائم على الملاحظة لدى العاملين في الخطوط الأمامية من دون أن تختزله إلى شيء سطحي إلى حد يبدد قيمته؟
رؤية أكثر واقعية للذكاء الاصطناعي في المستشفيات
أقوى ما في هذا الاتجاه البحثي أنه يتعامل مع الذكاء الاصطناعي باعتباره بنية دعم تحتية، لا بديلًا عن الرعاية البشرية. ففي النقاش العام، غالبًا ما يُصوَّر الذكاء الاصطناعي الصحي بوصفه أتمتة أو إحلالًا. أما هذا المشروع فيشير إلى مسار أكثر واقعية. فهو ينطلق من فرضية أن لدى الممرضات بالفعل بصيرة تنبؤية مهمة، ثم يسأل كيف يمكن للأنظمة الرقمية أن تجعل تلك البصيرة مقروءة في وقت أبكر وبشكل أكثر اتساقًا.
وهذا مسار أكثر إقناعًا للذكاء الاصطناعي السريري، ولا سيما في البيئات عالية الضغط التي تعتمد فيها الثقة على ما إذا كانت الأداة تعكس الواقع المعاش للرعاية. لا تحتاج الممرضات إلى برمجيات تقول لهن إن يتجاهلن ما يرونه. إنهن يحتجن إلى أنظمة تعزز قدرتهن على تصعيد المخاوف قبل أن تصبح حالة عدم الاستقرار القابلة للقياس واضحة.
إذا نجح هذا العمل، فقد تكون مساهمته ثقافية بقدر ما هي تقنية. فسيوثق فكرة أن حكم الخطوط الأمامية ليس بيانات رخوة تقف خارج الآلية التحليلية للمستشفى، بل هو جزء من الإشارة نفسها. وفي سياق تكون فيه الدقائق ذات قيمة، قد يكون تحويل تلك الإشارة إلى فعل أبكر واحدًا من أكثر الاستخدامات قيمة للذكاء الاصطناعي عند سرير المريض.
النقاط الرئيسية
- يستكشف باحثو جونز هوبكنز كيفية دمج ملاحظات الممرضات عند سرير المريض في أنظمة إنذار مبكر مدعومة بالذكاء الاصطناعي.
- الهدف هو رصد تدهور المريض في وقت أبكر، حتى عندما تبدو العلامات الحيوية القياسية طبيعية.
- تعتمد أدوات الإنذار الحالية في المستشفيات بالفعل على التعلم الآلي، لكنها تستند أساسًا إلى بيانات موضوعية موثقة.
- يقدم هذا العمل الذكاء الاصطناعي بوصفه وسيلة لتعزيز خبرة التمريض في الخطوط الأمامية لا استبدالها.
هذه المقالة مبنية على تقرير من Medical Xpress. اقرأ المقال الأصلي.
Originally published on medicalxpress.com
