జాన్స్ హాప్కిన్స్ బృందం నర్సుల గట్ ఫీలింగ్స్‌ను ముందస్తు హెచ్చరికలుగా మార్చేందుకు AI‌ను ఉపయోగిస్తోంది

ఎప్పుడూ కొలవబడని క్లినికల్ సంకేతం

ఆసుపత్రి నర్సులు తమ మొత్తం షిఫ్ట్‌ను మందుల పంపిణీ, వైటల్ సైన్ తనిఖీలు, డాక్యుమెంటేషన్, కుటుంబ సంభాషణలు, అలాగే రోగి స్థిరంగా కనిపిస్తున్నాడా లేదా అనే విషయం మీద నిరంతర చిన్నతరహా నిర్ణయాల మధ్య గడుపుతారు. అలాంటి వాతావరణంలో నైపుణ్యంలోని అత్యంత ముఖ్యమైన రూపాలలో ఒకటి నమోదు చేయడం చాలా కష్టమైనదిగా మారుతుంది: ప్రమాణిత కొలమానాలు స్పష్టంగా చూపించే ముందు ఏదో తప్పుగా ఉందని అనిపించే భావన.

జాన్స్ హాప్కిన్స్ స్కూల్ ఆఫ్ నర్సింగ్‌లో అసోసియేట్ ప్రొఫెసర్ అయిన కెల్లీ గ్లీసన్ ఈ ఖచ్చితమైన సమస్య చుట్టూ తన పరిశోధనను నిర్మించారు. నర్సులు మనుషులను ఎలా చదవాలో, మానిటర్లను ఎలా చదవాలో రెండింటికీ శిక్షణ పొందుతారని ఆమె అంటారు. సంప్రదాయ ఆసుపత్రి ముందస్తు హెచ్చరిక వ్యవస్థలో వెంటనే అలారం మోగించేలా కనిపించని రూపం, అప్రమత్తత, ప్రవర్తన లేదా మొత్తం ప్రదర్శనలో మార్పులను వారు గమనిస్తారు. అయితే ఆ ఆందోళనలను తెలియజేయడానికి ఒక ఆబ్జెక్టివ్ మార్గం లేకపోతే, ఆ అనుమానం సరైనదిగా తేలినా, అది కేవలం అనుమానంగానే మిగిలిపోతుంది.

దీని ఫలితం తక్షణ వైద్యం విభాగంలో పదే పదే కనిపించే, కష్టమైన స్థితి. ఒక నర్స్ రోగి గురించి స్వల్ప ఆందోళన అనుభవిస్తుంది, కానీ రక్తపోటు, హృదయ స్పందన మరియు ఇతర ప్రమాణ సంకేతాలు సాధారణంగానే కనిపిస్తాయి. మరింత ఖచ్చితమైన సాక్ష్యం లేకుండా ఒక వైద్యుడిని రౌండ్స్ నుంచి పిలవడం సమర్థించుకోవడం కష్టం కావచ్చు, పైగా బిజీగా ఉన్న పనితీరు వల్ల సహజస్ఫూర్తిని నిర్మితంగా పరిశీలించడానికి సమయం తక్కువగా ఉంటుంది. తర్వాతి షిఫ్ట్‌లో మాత్రమే ఆ రోగి పరిస్థితి దిగజారిపోయి, ఐసీయూకు తరలించాల్సి వచ్చిందని తెలిసే సందర్భాలూ ఉంటాయి.

మషీన్ లెర్నింగ్ వ్యవస్థల్లో నర్సింగ్ తీర్పును చేర్చడం

గ్లీసన్ విధానం ఇప్పటికే ఉన్న ఆసుపత్రి అలర్ట్లను భర్తీ చేయడం కాదు, వాటిని పెంపొందించడం. ఆసుపత్రులు ఇప్పటికే పలు షిఫ్టుల్లో రోగి డేటాను ప్రాసెస్ చేసి ప్రమాద స్కోర్లు తయారు చేసే ముందస్తు హెచ్చరిక వ్యవస్థలను ఉపయోగిస్తున్నాయి. స్కోరు ఒక నిర్దిష్ట పరిమితిని దాటితే, కేర్ టీమ్‌కు అలర్ట్ వస్తుంది. మరింతగా, ఈ వ్యవస్థలు ఏ రోగులు క్షీణించే ప్రమాదంలో ఉండవచ్చో అంచనా వేయడానికి మషీన్ లెర్నింగ్‌ను ఉపయోగిస్తున్నాయి.

ఈ వ్యవస్థలు ఉపయోగకరమైన సేఫ్టీ నెట్ పాత్రను పోషిస్తాయి. అవి రోగిని కాలక్రమంలో ట్రాక్ చేస్తాయి, షిఫ్ట్ మార్పుల మధ్య నిరంతరతను కాపాడుతాయి, మరియు రద్దీగా ఉన్న వార్డులో క్లినిషియన్లు నమూనాలను మిస్ కాకుండా సహాయపడతాయి. కానీ అవి ఇప్పటికీ ప్రధానంగా డాక్యుమెంట్ చేసిన డేటా ఇన్‌పుట్‌లపై, ముఖ్యంగా వైటల్ సైన్స్ మరియు ఇతర కొలిచే కారకాలపై, నిర్మించబడ్డాయి. సమస్య ఏమిటంటే, పడక పక్కన ఉన్న నర్సులు ఆ నమూనాలను సంఖ్యలుగా మార్చే ముందు నుంచే ఆందోళనకరమైన సంకేతాలను గుర్తిస్తారు.

జాన్స్ హాప్కిన్స్ పని ఆ అంతరాన్ని పూడ్చడానికి, ఆ పడక పక్కనటి పరిశీలనలను పరిమాణీకరించి AI-సహాయ హెచ్చరిక వ్యవస్థల్లో చేర్చే మార్గాన్ని కనుగొనడాన్ని లక్ష్యంగా పెట్టుకుంది. ఇది మిస్టికల్ ఇంట్యూషన్‌ను నేరుగా సాఫ్ట్‌వేర్‌గా మార్చడం కాదు. అనుభవజ్ఞులైన నర్సులు పదే పదే గమనించే సూక్ష్మ క్లినికల్ పరిశీలనలను నిర్మితంగా నమోదు చేయడమే, అవి ప్రమాణ కొలమానాలు ఇంకా పరిమితిని దాటకపోయినా కూడా క్షీణతతో అనుసంధానమై ఉండవచ్చు.

రోగి భద్రతకు ఇది ఎందుకు ముఖ్యం

దీనిలో విలువ చాలా సూటిగా ఉంది: రోగి క్షీణతను రెండు గంటలు ముందే గుర్తించగలిగితే, ఫలితాలు గణనీయంగా మెరుగవుతాయి. క్షీణతను తొందరగా గుర్తించి ఉంటే ఒక ప్రాణాన్ని రక్షించగలిగేవారమో లేదా జీవన నాణ్యతను గణనీయంగా కాపాడగలిగేవారమని గ్లీసన్ వివరిస్తారు. నర్సులకు, ఆ క్షణాలు చాలా కాలం గుర్తుండిపోతాయి, ఎందుకంటే ఆ ఆందోళన నిజమైనదే, కానీ ఆ సమయంలో చర్య తీసుకునేంత స్పష్టంగా లేదు.

అందుకే ఈ పని వర్క్‌ఫ్లో ఆప్టిమైజేషన్‌ను మించిపోతుంది. ఆధునిక క్లినికల్ వ్యవస్థల్లో ప్రసిద్ధమైన అంధబిందువును ఇది పరిష్కరిస్తుంది: వైద్యం లెక్కించగలిగినదాన్ని మాత్రమే కొలుస్తుంది, కానీ ముఖ్యమైన ప్రతిదీ తొలిచూపులో లెక్కించబడదు. నర్సులు తరచుగా అత్యంత నిరంతర పడక పక్కనటి పరిచయం కలిగిన క్లినిషియన్లు; అందువల్ల వారికి సమృద్ధమైన, కానీ ప్రమాణీకరించడం కష్టమైన సంకేతాలకు ప్రాప్యత ఉంటుంది.

AI టూల్స్ ఆ పరిశీలనలను అర్థవంతమైన ప్రమాద సూచికలుగా మార్చడంలో సహాయపడితే, ఆసుపత్రులు ముందుగానే, మరింత సూక్ష్మమైన హెచ్చరిక పొరను పొందగలవు. దాని అర్థం యంత్రం నర్సుపై అధికారంగా మారడం కాదు. బదులుగా, సాఫ్ట్‌వేర్ సంరక్షణను సాధారణ ఇన్‌పుట్ల సమాహారంగా సన్నగా చేసేయకుండా, ముందువరుస నైపుణ్యాన్ని మెరుగ్గా వినగలగడం.

ఆపరేషనల్ సవాలు

ఈ భావనను ఉపయోగించగల ప్రాక్టీస్‌గా మార్చడం సులభం కాదు. ఆసుపత్రులు ఇప్పటికే అలర్ట్ ఫాటిగ్, డాక్యుమెంటేషన్ భారము, మరియు వర్క్‌ఫ్లో ఒత్తిడితో సతమతమవుతున్నాయి. నర్సుల నుంచి మరింత ఇన్‌పుట్ కోరే ఏ కొత్త వ్యవస్థైనా, అదనపు శ్రమ నిజమైన క్లినికల్ విలువ ఇస్తుందని నిరూపించాలి. ఇంకొక చెక్‌బాక్స్ లేదా శబ్దభరిత హెచ్చరికల ప్రవాహం మాత్రమే జోడించే మోడల్ పడక పక్క పరీక్షలో త్వరగా విఫలమవుతుంది.

జాన్స్ హాప్కిన్స్ ప్రయత్నం ఇలా రూపుదిద్దుకోవడం అందుకే ముఖ్యం. లక్ష్యం ఉన్న AI-ఆధారిత ముందస్తు హెచ్చరిక వ్యవస్థలను పెంపొందించడం, వేరే, అసంబద్ధమైన టూల్‌ను జోడించడం కాదు. ప్రాయోగికంగా చూస్తే, ఈ విధానానికి ఉత్తమ రూపం నర్సులు ఆందోళనను సమర్థవంతంగా వ్యక్తపరచడానికి, ఆ ఆందోళనలను విస్తృత రోగి డేటాతో అనుసంధానించడానికి, మరియు పడక పక్కనటి అభిప్రాయం మరియు వ్యవస్థ-స్థాయి నమూనాలు కలిసే సందర్భాలను పైకి తేవడానికి సహాయపడుతుంది.

ఇచ్చిన నివేదికలో తుది ఉత్పత్తి లేదా అమలు ఫలితం వివరించబడలేదు, కాబట్టి ఇది ప్రస్తుతం క్లినికల్ దత్తత కథ కాదు, అభివృద్ధి కథ మాత్రమే. కానీ ఇది హెల్త్ AI కోసం ఒక కీలక డిజైన్ ప్రశ్నను లేవనెత్తుతుంది: ముందువరుస సిబ్బందిలోని పర్యవేక్షణ మేధస్సును సాఫ్ట్‌వేర్ పట్టుకోగలదా, దాన్ని అంతగా స్థూలంగా చేయకుండా దాని విలువనే పోగొట్టకుండా?

ఆసుపత్రుల్లో AIకి మరింత వాస్తవిక దృశ్యం

ఈ పరిశోధన దిశలో అత్యంత బలమైన అంశం, AIని మానవ సంరక్షణకు ప్రత్యామ్నాయంగా కాకుండా, మద్దతు మౌలిక సదుపాయంగా పరిగణించడం. ప్రజా చర్చల్లో హెల్త్ AI తరచుగా ఆటోమేషన్ లేదా ప్రత్యామ్నాయం కోణంలో చూపబడుతుంది. ఈ ప్రాజెక్ట్ మరింత భూమికి దగ్గరైన దిశను సూచిస్తోంది. నర్సుల వద్ద ఇప్పటికే ముఖ్యమైన అంచనా అంతర్దృష్టి ఉందనే ఊహతో ఇది మొదలవుతుంది, మరియు డిజిటల్ వ్యవస్థలు ఆ అంతర్దృష్టిని ఎలా త్వరగా, మరింత స్థిరంగా చదవగలిగేలా చేయగలవో అడుగుతుంది.

అది క్లినికల్ AIకి మరింత విశ్వసనీయమైన మార్గం, ముఖ్యంగా ఒక టూల్ సంరక్షణలోని వాస్తవ జీవిత అనుభవాలను ఎంతవరకు ప్రతిబింబిస్తుందనే దానిపై నమ్మకం ఆధారపడే అధిక ఒత్తిడి వాతావరణాల్లో. నర్సులకు, వారు చూస్తున్నదాన్ని విస్మరించమని చెప్పే సాఫ్ట్‌వేర్ అవసరం లేదు. కొలిచే స్థిరత్వం స్పష్టంగా కనిపించేముందే ఆందోళనను పైకి తీసుకెళ్లగల వారి సామర్థ్యాన్ని బలపరిచే వ్యవస్థలు అవసరం.

ఈ పని విజయవంతమైతే, దాని సహకారం సాంకేతికంగా ఎంత ఉంటుందో అంతే సాంస్కృతికంగానూ ఉంటుంది. ముందువరుస తీర్పు అనేది ఆసుపత్రి విశ్లేషణ యంత్రానికి వెలుపల ఉన్న సాఫ్ట్ డేటా కాదని అది అధికారికంగా చేస్తుంది. అది సంకేతంలో భాగం. మరియు నిమిషాలు కీలకం అయ్యే వాతావరణంలో, ఆ సంకేతాన్ని ముందస్తు చర్యగా మార్చడం మంచిపడక AI వినియోగాల్లో అత్యంత విలువైనదిగా మారొచ్చు.

ముఖ్యాంశాలు

• జాన్స్ హాప్కిన్స్ పరిశోధకులు నర్సుల పడక పక్కనటి పరిశీలనలను AI ముందస్తు హెచ్చరిక వ్యవస్థల్లో చేర్చే మార్గాలను అన్వేషిస్తున్నారు.
• ప్రామాణిక వైటల్ సైన్స్ ఇప్పటికీ సాధారణంగానే కనిపించినా కూడా, రోగి క్షీణతను ముందుగానే గుర్తించడం లక్ష్యం.
• ఇప్పటికే ఉన్న ఆసుపత్రి హెచ్చరిక టూల్స్ మషీన్ లెర్నింగ్‌ను ఉపయోగిస్తున్నప్పటికీ, అవి ప్రధానంగా డాక్యుమెంట్ చేసిన ఆబ్జెక్టివ్ డేటాపై ఆధారపడుతున్నాయి.
• ఈ పని AIని నర్సింగ్ నైపుణ్యానికి ప్రత్యామ్నాయంగా కాకుండా దానిని పెంపొందించే సాధనంగా చూస్తోంది.

ఈ కథనం Medical Xpress నివేదికపై ఆధారపడింది. మూల కథనాన్ని చదవండి.