ஜான்ஸ் ஹாப்கின்ஸ் குழு நர்ஸ்களின் உள்ளுணர்வுகளை முன்எச்சரிக்கைகளாக மாற்ற AI-ஐப் பயன்படுத்துகிறது

அடிக்கடி அளவிடப்படாத மருத்துவச் சிக்னல்

மருத்துவமனை நர்ஸ்கள் தங்கள் முழு பணிச்சுழற்சியையும் மருந்தளிப்பு, உயிர் அறிகுறி சோதனை, ஆவணப்படுத்தல், குடும்ப உரையாடல்கள், மற்றும் ஒரு நோயாளி நிலைத்திருப்பதாகத் தோன்றுகிறாரா இல்லையா என்பதைப் பற்றிய தொடர்ச்சியான சிறிய தீர்மானங்களுக்கிடையே கழிக்கிறார்கள். அந்தச் சூழலில், நிபுணத்துவத்தின் மிக முக்கியமான ஒரு வடிவம் பதிவு செய்ய மிகவும் கடினமான ஒன்றாகவும் இருக்கும்: வழக்கமான அளவுகோல்கள் தெளிவாக எச்சரிக்கையை காட்டுவதற்கு முன்பே ஏதோ சரியில்லை என்ற உணர்வு.

ஜான்ஸ் ஹாப்கின்ஸ் நர்சிங் பள்ளியின் இணைப் பேராசிரியரான கேலி க்லீசன், இந்தத் துல்லியமான பிரச்சினையை மையமாக வைத்து தனது ஆய்வை உருவாக்கியுள்ளார். நர்ஸ்கள் மனிதர்களையும் மானிட்டர்களைப் போலவே படிக்கப் பயிற்சி பெற்றவர்கள் என்று அவர் வாதிடுகிறார். பாரம்பரிய மருத்துவமனை முன்எச்சரிக்கை அமைப்பில் உடனடியாக அலாரத்தைத் தூண்டாத தோற்றம், விழிப்புணர்வு, நடத்தை அல்லது மொத்த வெளிப்பாடு போன்ற மாற்றங்களை அவர்கள் கவனிக்கிறார்கள். ஆனால் அந்தக் கவலைகளை தெரிவிக்க ஒரு பொருளாதாரமான வழி இல்லையென்றால், பிறகு அது சரியானது என நிரூபிக்கப்பட்டாலும், ஒரு ஊகம் ஒரு ஊகமாகவே இருந்து விடலாம்.

இதன் விளைவாக தீவிர சிகிச்சை சூழலில் மீண்டும் மீண்டும் நிகழும், கடினமான ஒரு நிலை உருவாகிறது. ஒரு நர்ஸ் ஒரு நோயாளி குறித்து லேசான கவலை உணர்கிறார், ஆனால் இரத்த அழுத்தம், இதயத் துடிப்பு மற்றும் பிற வழக்கமான குறியீடுகள் சாதாரணமாகத் தோன்றுகின்றன. கூடுதல் தெளிவான ஆதாரம் இல்லாமல் மருத்துவரை சுற்றுப்பணியிலிருந்து விலக்குவது நியாயப்படுத்த கடினமாக இருக்கலாம், மேலும் பிஸியான பணிச்சூழலில் உள்ளுணர்வை கட்டமைக்கப்பட்ட முறையில் விசாரிக்க நேரம் மிகக் குறைவு. சில நேரங்களில் அடுத்த ஷிப்ட், நோயாளியின் நிலை மோசமடைந்து அவரை தீவிர சிகிச்சைக்குப் மாற்றியதை வெளிப்படுத்துகிறது.

இயந்திரக் கற்றல் அமைப்புகளில் நர்சிங் தீர்மானத்தைச் சேர்த்தல்

க்லீசனின் அணுகுமுறை, உள்ளமை மருத்துவமனை எச்சரிக்கைகளை மாற்றுவது அல்ல; அவற்றை மேம்படுத்துவது. மருத்துவமனைகள் ஏற்கனவே பல ஷிப்டுகளுக்குமான நோயாளர் தரவை செயலாக்கி அபாய மதிப்பெண்களை உருவாக்கும் முன்எச்சரிக்கை அமைப்புகளைப் பயன்படுத்துகின்றன. ஒரு மதிப்பெண் வரம்பைத் தாண்டினால், பராமரிப்பு குழுவுக்கு எச்சரிக்கை அனுப்பப்படுகிறது. அதிகரித்து வரும் அளவில், இந்த அமைப்புகள் எந்த நோயாளிகள் நிலைகுன்றும் அபாயத்தில் இருக்கக்கூடும் என்பதை முன்கணிக்க இயந்திரக் கற்றலைப் பயன்படுத்துகின்றன.

இந்த அமைப்புகள் பயனுள்ள பாதுகாப்பு வலைப் பங்கை நிறைவேற்றுகின்றன. அவை காலப்போக்கில் நோயாளியை கண்காணிக்கின்றன, ஷிப்ட் மாற்றங்களின்போதும் தொடர்ச்சியைத் தக்கவைத்துக்கொள்கின்றன, மேலும் பரபரப்பான வார்டில் முறைப்படுத்தல்களைத் தவறவிடாமல் மருத்துவர்களுக்கு உதவுகின்றன. ஆனால் அவை இன்னும் முதன்மையாக பதிவுசெய்யப்பட்ட தரவு உள்ளீடுகள், குறிப்பாக உயிர் அறிகுறிகள் மற்றும் பிற அளவிடக்கூடிய காரணிகள், ஆகியவற்றை அடிப்படையாகக் கொண்டவை. படுக்கையருகு நர்ஸ்கள், அந்தப் பட்டியலாக்கத்துக்கு முன்பே கவலைக்கிடமான முறைமைகளை அடிக்கடி கண்டறிவதே சவாலாகும்.

ஜான்ஸ் ஹாப்கின்ஸ் ஆய்வு, அந்த இடைவெளியை நிரப்புவதற்காக அந்த படுக்கையருகு கவனிப்புகளை அளவிடவும் AI ஆதரித்த எச்சரிக்கை அமைப்புகளில் இணைக்கவும் ஒரு வழியை கண்டுபிடிக்க முயல்கிறது. இதன் கருத்து, சாஸ்திரமயமான உள்ளுணர்வை நேரடியாக மென்பொருளாக மாற்றுவது அல்ல. அனுபவமிக்க நர்ஸ்கள் மீண்டும் மீண்டும் கவனிக்கும் நுண்ணிய மருத்துவக் கவனிப்புகளை கட்டமைக்கப்பட்ட முறையில் பதிவு செய்வதே இது; அவை வழக்கமான அளவுகள் இன்னும் வரம்பைத் தாண்டாதபோதும் நிலைதாழ்வுடன் தொடர்புடையவையாக இருக்கலாம்.

நோயாளர் பாதுகாப்பில் இதன் முக்கியத்துவம்

மதிப்புக் கூற்று எளிதானது: ஒரு நோயாளியின் நிலை இரண்டு மணி நேரம் முன்பே அறியப்பட்டால், முடிவுகள் மிகப் பெரிய அளவில் மேம்படக்கூடும். நிலைதாழ்வை முன்பே அடையாளம் காண்பதன் மூலம் ஒரு உயிரைக் காப்பாற்றியிருக்க முடிந்தது அல்லது வாழ்க்கைத் தரத்தை குறிப்பிடத்தக்க அளவில் பாதுகாத்திருக்க முடிந்தது என க்லீசன் விவரிக்கிறார். நர்ஸ்களுக்கு, அந்தக் கணங்கள் நீண்ட நேரம் நினைவில் நிற்கலாம், ஏனெனில் கவலை உண்மையானது, ஆனால் அந்த நேரத்தில் அதைப் பெரிதாக எடுத்து நடவடிக்கை எடுக்க முடியாத அளவுக்கு அது செயல்திறன் வாய்ந்ததாக இல்லை.

அதனால்தான் இந்தப் பணியின் முக்கியத்துவம் வேலைப்பாய்ச்சி மேம்பாட்டைத் தாண்டுகிறது. இது நவீன மருத்துவ அமைப்புகளில் அறியப்பட்ட ஒரு கண் மூடப்பட்ட பகுதியைச் சந்திக்கிறது: மருத்துவம் கணக்கிட முடிந்ததை மட்டுமே அளவிடுகிறது, ஆனால் எல்லா முக்கிய விஷயங்களும் முதல் பார்வையிலேயே எளிதாகக் கணக்கிட முடியாது. நர்ஸ்கள் பெரும்பாலும் மிகவும் தொடர்ச்சியான படுக்கையருகு அனுபவம் கொண்ட மருத்துவர்கள் என்பதால், அவர்களுக்கு வளமானதும் தரநிலைப்படுத்த கடினமானதும் ஆன சிக்னல்களுக்கு அணுகல் கிடைக்கிறது.

AI கருவிகள் அந்தக் கவனிப்புகளை அர்த்தமுள்ள அபாயக் குறியீடுகளாக மாற்ற உதவினால், மருத்துவமனைகள் முன்கூட்டியதும் அதிக நுணுக்கமுள்ளதும் ஆன எச்சரிக்கை அடுக்கைப் பெறக்கூடும். அதனால் இயந்திரம் நர்ஸுக்கு மேல் அதிகாரம் பெறுகிறது என்பதல்ல. மாறாக, பராமரிப்பை வழக்கமான உள்ளீடுகளின் தொகுப்பாக சமப்படுத்துவதற்குப் பதிலாக, மென்பொருள் முன்னணிக் நிபுணத்துவத்தை நன்றாகக் கேட்கும் திறனைப் பெறுகிறது என்பதாகும்.

செயல்பாட்டு சவால்

இந்தக் கருத்தை பயன்படுத்தக்கூடிய நடைமுறையாக மாற்றுவது எளிதல்ல. மருத்துவமனைகள் ஏற்கனவே அலாரத் தளர்ச்சி, ஆவணப் பளு, மற்றும் வேலைப்பாய்ச்சி அதிகப்பிரயாசம் ஆகியவற்றுடன் போராடுகின்றன. நர்ஸ்களிடமிருந்து மேலும் உள்ளீடு கேட்கும் எந்த புதிய அமைப்பும், கூடுதல் உழைப்பு உண்மையான மருத்துவ மதிப்பைத் தருகிறது என்பதை நிரூபிக்க வேண்டும். வெறும் இன்னொரு செக் பாக்ஸை அல்லது சத்தமுள்ள எச்சரிக்கைகளின் ஓட்டத்தைச் சேர்க்கும் ஒரு மாதிரி, படுக்கையருகு சோதனையில் விரைவாகத் தோல்வியடையும்.

அதனால்தான் ஜான்ஸ் ஹாப்கின்ஸ் முயற்சியின் வடிவமைப்பு முக்கியமானது. இலக்கு, உள்ளமை முன்எச்சரிக்கை அமைப்புகளில் AI-ஐ அதிகரிப்பதே; தனியாக, தொடர்பில்லாத கருவியை அடுக்குவது அல்ல. நடைமுறையில், இந்த அணுகுமுறையின் சிறந்த வடிவம் நர்ஸ்கள் கவலையை திறம்பட வெளிப்படுத்த, அந்தக் கவலைகளை விரிவான நோயாளர் தரவுடன் இணைக்க, மற்றும் படுக்கையருகு கருத்தும் அமைப்பு-மட்ட வடிவங்களும் ஒன்றாக பொருந்தும் வழக்குகளை மேலே கொண்டு செல்ல உதவும்.

வழங்கப்பட்ட அறிக்கை இறுதி செய்யப்பட்ட தயாரிப்பு அல்லது செயல்படுத்தல் முடிவை விவரிக்கவில்லை; எனவே இது தற்போது மருத்துவப் பயன்பாட்டு கதையல்ல, மேம்பாட்டு கதையாகவே உள்ளது. ஆனால் இது சுகாதார AIக்கு ஒரு முக்கியமான வடிவமைப்பு கேள்வியை முன்வைக்கிறது: முன் வரிசை பணியாளர்களின் பார்வை நுண்ணறிவை மென்பொருள் பிடிக்க முடியுமா, அதனை அதன் மதிப்பு மறைந்து போகுமளவுக்கு மிக எளிமைப்படுத்தாமல்?

மருத்துவமனைகளில் AI-யின் மேலும் யதார்த்தமான பார்வை

இந்த ஆய்வுத் திசையின் மிக வலுவான அம்சம், AI-யை மனித பராமரிப்புக்கான மாற்றாக அல்ல, ஆதரவு உட்கட்டமைப்பாகக் கருதுகிறது என்பதாகும். பொதுச் சந்திப்பில், சுகாதார AI பெரும்பாலும் தானியக்கமாக்கல் அல்லது மாற்றீடு என்ற கோணத்தில் விவாதிக்கப்படுகிறது. இந்தத் திட்டம் அதைவிட நிலைபெற்ற பாதையைச் சுட்டுகிறது. நர்ஸ்களிடம் ஏற்கனவே முக்கியமான முன்னறிவிப்பு நுண்ணறிவு உள்ளது என்ற முன்னியல்பில் இது தொடங்கி, அந்த நுண்ணறிவை டிஜிட்டல் அமைப்புகள் எப்படி விரைவாகவும், மேலும் தொடர்ச்சியாகவும் வெளிப்படுத்த முடியும் என்று கேட்கிறது.

அது மருத்துவ AI-க்கான நம்பகமான பாதை, குறிப்பாக நம்பிக்கை என்பது ஒரு கருவி பராமரிப்பின் வாழ்ந்த உண்மைகளை எவ்வளவு பிரதிபலிக்கிறது என்பதைக் கொண்டு நிர்ணயிக்கப்படும் உயர் அழுத்த சூழல்களில். நர்ஸ்களுக்கு, அவர்கள் காண்பதை புறக்கணிக்கச் சொல்லும் மென்பொருள் தேவையில்லை. அளவிடக்கூடிய நிலையற்ற தன்மை தெளிவாகத் தெரியுமுன் கவலைகளை மேலெழுப்பும் அவர்களின் திறனை வலுப்படுத்தும் அமைப்புகள் தேவை.

இந்தப் பணி வெற்றி பெற்றால், அதன் பங்களிப்பு தொழில்நுட்பம் போலவே பண்பாட்டரீதியாகவும் இருக்கும். முன்னணிக் தீர்மானம் என்பது மருத்துவமனையின் பகுப்பாய்வு இயந்திரத்திற்கு வெளியே இருக்கும் மென்மையான தரவு அல்ல என்ற கருத்தை அது அதிகாரபூர்வமாக்கும். அது சிக்னலின் ஒரு பகுதியாகும். மேலும் நிமிடங்கள் முக்கியமான ஒரு சூழலில், அந்தச் சிக்னலை விரைவான நடவடிக்கையாக மாற்றுவது படுக்கையருகில் AI-யின் மிக மதிப்புமிக்க பயன்பாடுகளில் ஒன்றாக இருக்கலாம்.

முக்கிய குறிப்புகள்

• ஜான்ஸ் ஹாப்கின்ஸ் ஆராய்ச்சியாளர்கள் நர்ஸ்களின் படுக்கையருகு கவனிப்புகளை AI முன்எச்சரிக்கை அமைப்புகளில் இணைப்பதற்கான வழிகளை ஆராய்கிறார்கள்.
• வழக்கமான உயிர் அறிகுறிகள் இன்னும் சாதாரணமாகத் தோன்றினாலும், நோயாளி நிலைதாழ்வை முன்பே கண்டறிவதே இலக்கு.
• இருக்கும் மருத்துவமனை எச்சரிக்கை கருவிகள் ஏற்கனவே இயந்திரக் கற்றலைப் பயன்படுத்துகின்றன, ஆனால் அவை பெரும்பாலும் பதிவுசெய்யப்பட்ட பொருளாதார தரவுகளையே சார்ந்திருக்கின்றன.
• இந்த முயற்சி, AI-யை நர்சிங் நிபுணத்துவத்திற்கு மாற்றாக அல்ல, அதை வலுப்படுத்தும் கருவியாகக் கருதுகிறது.

இந்தக் கட்டுரை Medical Xpress வெளியிட்ட செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.