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.
