যে ক্লিনিক্যাল সংকেতটি প্রায়ই মাপা হয় না
হাসপাতালের নার্সরা পুরো শিফট জুড়ে ওষুধ দেওয়া, জীবনীচিহ্ন পরীক্ষা, নথিভুক্তি, পরিবারের সঙ্গে কথা বলা, এবং কোনো রোগী স্থিতিশীল দেখাচ্ছেন কি না তা নিয়ে অসংখ্য ছোট ছোট বিচার করতে করতে সময় কাটান। এমন পরিবেশে দক্ষতার সবচেয়ে গুরুত্বপূর্ণ রূপগুলোর একটি নথিভুক্ত করাও সবচেয়ে কঠিন হতে পারে: মানক মাপকাঠি স্পষ্টভাবে দেখানোর আগেই কিছু একটা ঠিক নেই এমন অনুভূতি।
জনস হপকিন্স স্কুল অব নার্সিংয়ের সহযোগী অধ্যাপক কেলি গ্লিসন এই নির্দিষ্ট সমস্যার ওপরই তাঁর গবেষণা গড়ে তুলেছেন। তাঁর মতে, নার্সদের মানুষকেও মনিটরের মতোই পড়তে শেখানো হয়। তারা চেহারা, সজাগতা, আচরণ, বা সামগ্রিক উপস্থাপনার এমন পরিবর্তন লক্ষ্য করেন যা প্রচলিত হাসপাতালের প্রাথমিক সতর্কতা ব্যবস্থায় সঙ্গে সঙ্গে অ্যালার্ম বাজায় না। কিন্তু সেই উদ্বেগ জানানোর কোনো বস্তুনিষ্ঠ উপায় না থাকলে, একটি অনুমান কেবল অনুমানই থেকে যেতে পারে, এমনকি পরে তা সঠিক প্রমাণিত হলেও।
এর ফল হলো তীব্র চিকিৎসা সেবায় বারবার ফিরে আসা এক কঠিন পরিস্থিতি। একজন নার্স কোনো রোগীকে নিয়ে হালকা উদ্বিগ্ন বোধ করেন, কিন্তু রক্তচাপ, হৃদস্পন্দন, এবং অন্যান্য মানক সূচক স্বাভাবিক দেখায়। আরও স্পষ্ট প্রমাণ ছাড়া একজন চিকিৎসককে রাউন্ডস থেকে টেনে আনা কঠিন হতে পারে, আর ব্যস্ত কর্মপ্রবাহে অন্তর্দৃষ্টিকে কাঠামোবদ্ধভাবে যাচাই করার মতো সময়ও কম থাকে। কখনও পরের শিফটে দেখা যায় রোগীর অবস্থা অবনতি হয়েছে এবং তাকে নিবিড় পরিচর্যায় স্থানান্তর করতে হয়েছে।
মেশিন লার্নিং ব্যবস্থায় নার্সিং বিচার যুক্ত করা
গ্লিসনের পদ্ধতি বিদ্যমান হাসপাতাল অ্যালার্ট প্রতিস্থাপন করা নয়, বরং সেগুলোকে সমৃদ্ধ করা। হাসপাতালগুলো ইতিমধ্যেই এমন প্রাথমিক সতর্কতা ব্যবস্থা ব্যবহার করে যা একাধিক শিফট জুড়ে রোগীর তথ্য প্রক্রিয়াকরণ করে ঝুঁকির স্কোর তৈরি করে। কোনো স্কোর নির্ধারিত সীমা ছাড়িয়ে গেলে, পরিচর্যা দলকে সতর্কবার্তা যায়। ক্রমশ এই ব্যবস্থাগুলো মেশিন লার্নিং ব্যবহার করছে কোন রোগীরা অবনতির ঝুঁকিতে থাকতে পারেন তা আরও ভালোভাবে পূর্বাভাস দিতে।
এই ব্যবস্থাগুলো একটি কার্যকর সুরক্ষা-জাল হিসেবে কাজ করে। তারা সময়ের সঙ্গে রোগীকে অনুসরণ করে, শিফট বদলালেও ধারাবাহিকতা বজায় রাখে, এবং ব্যস্ত ওয়ার্ডে চিকিৎসকদের প্যাটার্ন মিস করা থেকে বাঁচায়। তবে সেগুলো এখনও মূলত নথিভুক্ত ডেটা ইনপুট, বিশেষ করে জীবনীচিহ্ন ও অন্যান্য পরিমাপযোগ্য উপাদানের ওপর গড়ে ওঠে। সমস্যাটি হলো, বিছানাপাশে থাকা নার্সরা প্রায়ই এমন প্যাটার্ন আগে ধরতে পারেন যা সংখ্যায় রূপ নেয়ার আগেই উদ্বেগজনক হয়ে ওঠে।
জনস হপকিন্সের কাজ সেই ফাঁকটি পূরণ করতে বিছানাপাশের পর্যবেক্ষণগুলোকে পরিমাপযোগ্য করে AI-সমর্থিত সতর্কতা ব্যবস্থায় যুক্ত করার উপায় খুঁজছে। ধারণাটি কোনো রহস্যময় অন্তর্দৃষ্টি সরাসরি সফটওয়্যারে অনুবাদ করা নয়। এটি হলো অভিজ্ঞ নার্সরা বারবার যে সূক্ষ্ম ক্লিনিক্যাল পর্যবেক্ষণ করেন, সেগুলোকে কাঠামোবদ্ধভাবে ধরা, যা মানক সূচক এখনো নির্দিষ্ট সীমা অতিক্রম না করলেও অবনতির সঙ্গে সম্পর্কিত হতে পারে।
