वह नैदानिक संकेत जिसे अक्सर मापा नहीं जाता
अस्पताल की नर्सें अपनी पूरी शिफ्ट दवा देने, vital-sign checks, दस्तावेज़ीकरण, परिवारों से बातचीत और इस बारे में लगातार छोटे-छोटे फैसले लेने में बिताती हैं कि कोई मरीज स्थिर दिख रहा है या नहीं। ऐसे माहौल में विशेषज्ञता का एक सबसे महत्वपूर्ण रूप दस्तावेज़ित करना भी सबसे कठिन हो सकता है: यह एहसास कि मानक मापदंड साफ़ तौर पर दिखने से पहले ही कुछ ठीक नहीं है।
Johns Hopkins School of Nursing की associate professor Kelly Gleason ने इसी समस्या के इर्द-गिर्द अपना शोध तैयार किया है। उनका तर्क है कि नर्सों को सिर्फ़ मॉनिटर ही नहीं, लोगों को पढ़ने के लिए भी प्रशिक्षित किया जाता है। वे रूप-रंग, सतर्कता, व्यवहार या समग्र प्रस्तुति में ऐसे बदलाव नोटिस करती हैं जो पारंपरिक अस्पताल early-warning system में तुरंत अलार्म नहीं बजाते। फिर भी, इन चिंताओं को व्यक्त करने का कोई वस्तुनिष्ठ तरीका न होने पर, एक अंदेशा सिर्फ़ अंदेशा ही रह सकता है, भले ही बाद में वह सही साबित हो जाए।
इसका नतीजा acute care में बार-बार सामने आने वाला और कठिन परिदृश्य होता है। एक नर्स किसी मरीज को लेकर हल्की चिंता महसूस करती है, लेकिन blood pressure, heart rate और अन्य मानक संकेत सामान्य दिखते हैं। बिना अधिक ठोस सबूत के किसी physician को rounds से अलग करना उचित ठहराना मुश्किल हो सकता है, और व्यस्त workflow instinct की structured तरीके से पड़ताल करने के लिए कम समय छोड़ता है। कभी-कभी अगली shift में पता चलता है कि मरीज की हालत बिगड़ गई है और उसे intensive care में भेज दिया गया है।
नर्सिंग के निर्णय को machine learning systems में जोड़ना
Gleason का तरीका मौजूदा hospital alerts को बदलना नहीं, बल्कि उन्हें बेहतर बनाना है। अस्पताल पहले से ऐसे early warning systems इस्तेमाल करते हैं जो कई shifts के patient data को प्रोसेस करके risk scores बनाते हैं। अगर कोई score एक threshold से ऊपर चला जाता है, तो care team को alert मिलता है। ये systems increasingly machine learning का इस्तेमाल करके यह भविष्यवाणी बेहतर बना रहे हैं कि किन मरीजों की हालत बिगड़ने का जोखिम हो सकता है।
ये systems एक उपयोगी safety-net की भूमिका निभाते हैं। ये समय के साथ मरीज पर नज़र रखते हैं, shift changes के बीच continuity बनाए रखते हैं, और व्यस्त ward में clinicians को पैटर्न चूकने से बचाते हैं। लेकिन ये अब भी मुख्यतः documented data inputs, खासकर vital signs और अन्य मापनीय कारकों, पर आधारित होते हैं। समस्या यह है कि bedside nurses अक्सर ऐसे चिंताजनक पैटर्न पकड़ लेती हैं जिन्हें संख्याओं में साफ़-साफ़ बदलने से पहले ही पहचान लिया जाता है।
Johns Hopkins का काम AI-supported warning systems में इन bedside observations को quantify करके जोड़ने का तरीका खोजकर इस अंतर को पाटना चाहता है। विचार कोई रहस्यमय intuition को सीधे software में बदलने का नहीं है। बल्कि यह अनुभवी नर्सों द्वारा बार-बार की जाने वाली उन सूक्ष्म clinical observations का structured capture है, जो standard measures के threshold पार करने से पहले भी deterioration से जुड़ी हो सकती हैं।
