जॉन्स हॉपकिन्स पथकाने नर्सांच्या अंतःप्रेरणा AIद्वारे लवकर इशाऱ्यांमध्ये रूपांतरित केल्या

जो क्लिनिकल संकेत अनेकदा नोंदवला जात नाही

रुग्णालयातील नर्सा संपूर्ण शिफ्ट औषध वाटप, व्हायटल साईन तपासणी, नोंदवही, कुटुंबीयांशी संवाद आणि रुग्ण स्थिर दिसतोय की नाही याबाबत सतत घेतल्या जाणाऱ्या छोट्या निर्णयांमध्ये घालवतात. अशा वातावरणात कौशल्याचा सर्वात महत्त्वाचा प्रकार दस्तऐवजीकरण करणेही सर्वात कठीण असू शकते: मानक मोजमाप स्पष्टपणे काही दाखवण्याआधीच काहीतरी बिनसले आहे ही जाणीव.

जॉन्स हॉपकिन्स स्कूल ऑफ नर्सिंगच्या सहयोगी प्राध्यापक केली ग्लिसन यांनी नेमक्या या समस्येवर आपले संशोधन उभारले आहे. नर्सा केवळ मॉनिटर्सच नाही, तर माणसेही वाचायला शिकवल्या जातात, असे त्या सांगतात. पारंपरिक रुग्णालयीन लवकर इशारा प्रणालीत लगेच अलार्म न वाजवणारे रूप, सतर्कता, वर्तन किंवा एकूणच प्रकटनातील बदल त्या पाहतात. पण त्या चिंता व्यक्त करण्याचा वस्तुनिष्ठ मार्ग नसल्यास, एक अंदाज नंतर तो योग्य ठरला तरी, फक्त अंदाजच राहू शकतो.

त्यातून तीव्र उपचारांमध्ये वारंवार दिसणारी एक कठीण परिस्थिती तयार होते. नर्सला एखाद्या रुग्णाबद्दल हलकी चिंता वाटते, पण रक्तदाब, हृदयगती आणि इतर मानक निर्देशांक सामान्य दिसतात. अधिक ठोस पुराव्याशिवाय डॉक्टरांना राउंड्समधून दूर बोलावणे कठीण ठरू शकते, आणि व्यस्त कामकाजामुळे अंतःप्रेरणेची संरचित चौकशी करण्यासाठी वेळच कमी असतो. कधी कधी पुढच्या शिफ्टमध्ये कळते की रुग्णाची प्रकृती खालावली असून त्याला अतिदक्षता विभागात हलवावे लागले आहे.

मशीन लर्निंग प्रणालींमध्ये नर्सिंग निर्णयाचा समावेश

ग्लिसन यांची पद्धत विद्यमान रुग्णालयीन अलर्टची जागा घेण्याची नाही, तर त्यांना अधिक सक्षम करण्याची आहे. रुग्णालये आधीपासूनच अनेक शिफ्टमधील रुग्णांची माहिती प्रक्रिया करून जोखीम गुण तयार करणाऱ्या लवकर इशारा प्रणाली वापरतात. गुण ठराविक मर्यादा ओलांडल्यास, उपचार पथकाला अलर्ट मिळतो. अधिकाधिक प्रमाणात, या प्रणाली कोणते रुग्ण खालावत जाण्याच्या धोक्यात असू शकतात याचा अंदाज लावण्यासाठी मशीन लर्निंग वापरत आहेत.

अशा प्रणाली उपयुक्त सुरक्षा-जाळ्याची भूमिका बजावतात. त्या कालांतराने रुग्णाचा मागोवा घेतात, शिफ्ट बदलल्यानंतरही सातत्य राखतात, आणि गर्दीच्या वॉर्डमध्ये नमुने निसटू नयेत म्हणून क्लिनिशियनना मदत करतात. पण त्या अजूनही प्रामुख्याने दस्तऐवजीकृत डेटावर, विशेषतः व्हायटल साईन आणि इतर मोजता येणाऱ्या घटकांवर, उभारलेल्या असतात. अडचण अशी की रुग्णशय्येवरील नर्सा हे नमुने संख्यांमध्ये रूपांतर होण्याआधीच ओळखतात.

जॉन्स हॉपकिन्सचे काम त्या दरीत पूल बांधण्याचा प्रयत्न करत आहे: रुग्णशय्येवरील निरीक्षणे मोजता येतील अशा स्वरूपात पकडून ती AI-समर्थित इशारा प्रणालींमध्ये समाविष्ट करणे. कल्पना म्हणजे गूढ अंतःप्रेरणा थेट सॉफ्टवेअरमध्ये भाषांतरित करणे नाही. अनुभवी नर्सा वारंवार करतात त्या सूक्ष्म क्लिनिकल निरीक्षणांची संरचित नोंद घेणे, जे मानक मोजमापांनी अजून मर्यादा ओलांडली नसली तरीही प्रकृती खालावण्याशी संबंधित असू शकतात.

रुग्णसुरक्षेसाठी याचे महत्त्व

याचे मूल्यप्रस्ताव अगदी सरळ आहे: रुग्णाची प्रकृती दोन तास आधी ओळखता आली, तर परिणाम नाट्यमयरीत्या सुधारू शकतात. प्रकृती खालावणे लवकर ओळखता आले असते तर एखादे जीवन वाचले असते किंवा जीवनमान लक्षणीयरीत्या जपता आले असते, अशी उदाहरणे ग्लिसन सांगतात. नर्सांसाठी असे क्षण दीर्घकाळ लक्षात राहतात, कारण चिंता खरी होती, पण त्या वेळी लगेच पुढची पायरी उचलण्याइतकी ती कृतीयोग्य नव्हती.

म्हणूनच हे काम केवळ कार्यप्रवाह सुधारण्यापुरते मर्यादित नाही. आधुनिक क्लिनिकल प्रणालीतील एक सुप्रसिद्ध आंधळा बिंदू ते हाताळते: वैद्यकशास्त्र जे मोजता येते तेच मोजते, पण महत्त्वाच्या सर्व गोष्टी पहिल्याच नजरेत मोजता येत नाहीत. नर्सा बहुतेकदा सर्वात सातत्याने रुग्णशय्येवर असलेल्या क्लिनिशियन असतात, त्यामुळे त्यांना समृद्ध, पण प्रमाणित करणे कठीण अशा संकेतांपर्यंत प्रवेश मिळतो.

AI साधने त्या निरीक्षणांना अर्थपूर्ण जोखीम सूचकांमध्ये रूपांतरित करण्यात मदत करू शकली, तर रुग्णालयांना अधिक लवकर आणि अधिक सूक्ष्म इशाऱ्यांचा स्तर मिळू शकतो. याचा अर्थ मशीन नर्सवर अधिकार गाजवते असा नाही. उलट, सॉफ्टवेअर देखभालीला केवळ नेहमीच्या इनपुट्सच्या संचात सपाट न करता, अग्रिम फळीवरील तज्ज्ञतेकडे अधिक चांगल्या प्रकारे ऐकायला शिकते.

कार्यात्मक आव्हान

ही संकल्पना वापरता येईल अशा प्रत्यक्ष व्यवहारात आणणे सोपे नाही. रुग्णालये आधीच अलर्ट थकवा, दस्तऐवजीकरणाचा ताण आणि कार्यप्रवाहाचा ताण यांच्याशी झगडत आहेत. नर्सांकडून अधिक इनपुट मागणाऱ्या कोणत्याही नव्या प्रणालीला अतिरिक्त प्रयत्नातून खरोखर क्लिनिकल मूल्य मिळते हे सिद्ध करावे लागेल. फक्त आणखी एक चेकबॉक्स किंवा गोंगाटी इशाऱ्यांची रांग जोडणारा मॉडेल रुग्णशय्येवरील कसोटीत पटकन अपयशी ठरेल.

जॉन्स हॉपकिन्स प्रयत्नाची मांडणी महत्त्वाची ठरते ती यामुळे. उद्दिष्ट अस्तित्वात असलेल्या AI-आधारित लवकर इशारा प्रणालींमध्ये भर घालणे आहे, वेगळे आणि असंबंधित साधन जोडणे नाही. प्रत्यक्षात, या दृष्टिकोनाची सर्वोत्तम आवृत्ती नर्सांना चिंता कार्यक्षमतेने मांडता यावी, त्या चिंतेला विस्तृत रुग्ण डेटाशी जोडता यावे, आणि रुग्णशय्येवरील छाप आणि प्रणाली-स्तरीय नमुने एकत्र येतील अशा प्रकरणांना वर आणता यावे यासाठी मदत करेल.

दिलेल्या अहवालात अंतिम उत्पादन किंवा तैनातीचा निकाल दिलेला नाही, त्यामुळे ही सध्या क्लिनिकल स्वीकाराची नव्हे, तर विकासाची कथा आहे. पण आरोग्य AI साठी ती एक गंभीर रचना-संबंधी प्रश्न उपस्थित करते: पुढील रेषेवरील कर्मचाऱ्यांची निरीक्षणात्मक बुद्धिमत्ता सॉफ्टवेअर पकडू शकते का, ती इतकी साधी न करता की तिचे मूल्यच हरवून जाईल?

रुग्णालयांतील AIचा अधिक वास्तववादी दृष्टिकोन

या संशोधनदिशेचा सर्वात मजबूत पैलू असा आहे की ती AIला मानवी काळजीचा पर्याय नव्हे, तर सहाय्यक पायाभूत सुविधा मानते. सार्वजनिक चर्चेत आरोग्य AI बहुतेकदा स्वयंचलन किंवा बदल यांच्या चौकटीत मांडले जाते. हा प्रकल्प मात्र अधिक जमिनीवरचा मार्ग दाखवतो. तो नर्सांकडे आधीपासूनच महत्त्वपूर्ण पूर्वानुमानात्मक अंतर्दृष्टी आहे या गृहितापासून सुरुवात करतो आणि डिजिटल प्रणाली ती अंतर्दृष्टी अधिक लवकर आणि सातत्याने कशी वाचनीय करू शकतील हे विचारतो.

तो क्लिनिकल AIसाठी अधिक विश्वासार्ह मार्ग आहे, विशेषतः उच्च दाबाच्या वातावरणात, जिथे साधन वास्तवातील काळजीचे प्रतिबिंब कितपत देते यावर विश्वास अवलंबून असतो. नर्सांना त्यांनी जे पाहिले आहे ते दुर्लक्षित करायला सांगणारे सॉफ्टवेअर नको आहे. त्यांना अशी प्रणाली हवी आहे जी मोजता येणारी अस्थिरता स्पष्ट होण्यापूर्वीच चिंता वर नेण्याची क्षमता बळकट करते.

हे काम यशस्वी झाले, तर त्याचे योगदान तांत्रिक जितके असेल तितकेच सांस्कृतिकही असेल. ते हे औपचारिक करेल की अग्रिम फळीवरील निर्णय हा रुग्णालयाच्या विश्लेषणात्मक यंत्रणेच्या बाहेरचा हलका डेटा नाही. तो सिग्नलचाच भाग आहे. आणि जिथे काही मिनिटांना महत्त्व असते, तिथे त्या सिग्नलचे लवकर कृतीत रूपांतर करणे बेडसाइडवरील AIच्या सर्वात मौल्यवान उपयोगांपैकी एक ठरू शकते.

मुख्य मुद्दे

• जॉन्स हॉपकिन्सचे संशोधक नर्सांच्या रुग्णशय्येवरील निरीक्षणांना AI लवकर इशारा प्रणालींमध्ये समाविष्ट करण्याचे मार्ग शोधत आहेत.
• मानक व्हायटल साईन अजूनही सामान्य दिसत असतानाही रुग्णाची प्रकृती खालावणे लवकर ओळखणे हे उद्दिष्ट आहे.
• सध्याची रुग्णालयीन इशारा साधने आधीच मशीन लर्निंग वापरतात, पण ती प्रामुख्याने दस्तऐवजीकृत वस्तुनिष्ठ डेटावर अवलंबून असतात.
• हे काम AIला नर्सिंग तज्ज्ञतेचा पर्याय न मानता ती वाढवणारे साधन मानते.

हा लेख Medical Xpress च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.