KI unterstützt Ärzte dabei, dringende Fälle in der Notaufnahme zu identifizieren

KI unterstützt Ärzte dabei, dringende Fälle in der Notaufnahme zu identifizieren
KI unterstützt Ärzte dabei, dringende Fälle in der Notaufnahme zu identifizieren
-

Eine von der UCSF durchgeführte Studie zeigt, dass künstliche Intelligenz bei der Priorisierung, welche Patienten zuerst behandelt werden müssen, genauso gut ist wie ein Arzt.

Nationale Notaufnahmen sind überfüllt und überlastet, doch eine neue Studie legt nahe, dass künstliche Intelligenz (KI) eines Tages dabei helfen könnte, Prioritäten zu setzen, welche Patienten am dringendsten behandelt werden müssen.

Anhand anonymisierter Aufzeichnungen von 251.000 Besuchen in der Notaufnahme für Erwachsene bewerteten Forscher der UC San Francisco, wie gut ein KI-Modell in der Lage war, Symptome aus den klinischen Notizen der Patienten zu extrahieren, um festzustellen, ob sie sofort behandelt werden müssen. Anschließend verglichen sie die KI-Analyse mit den Bewertungen der Patienten auf dem Emergency Severity Index, einer Skala von 1 bis 5, die Pflegekräfte in der Notaufnahme verwenden, wenn Patienten ankommen, um Pflege und Ressourcen nach dem höchsten Bedarf zuzuteilen, ein Prozess, der als Triage bekannt ist.

Für die Studie, die am 7. Mai 2024 veröffentlicht wird, wurden die Daten der Patienten von ihrer tatsächlichen Identität getrennt (anonymisiert). JAMA-Netzwerk geöffnet. Die Forscher werteten die Daten mithilfe des ChatGPT-4 Large Language Model (LLM) aus und griffen über die sichere generative KI-Plattform der UCSF darauf zu, die über umfassende Datenschutzmaßnahmen verfügt.

Die Forscher testeten die Leistung des LLM anhand einer Stichprobe von 10.000 übereinstimmenden Paaren – insgesamt 20.000 Patienten – darunter ein Patient mit einer schwerwiegenden Erkrankung, beispielsweise einem Schlaganfall, und ein anderer mit einer weniger dringenden Erkrankung, beispielsweise einem gebrochenen Handgelenk. Anhand der Symptome der Patienten konnte die KI in 89 % der Fälle identifizieren, welcher ED-Patient im Paar eine schwerwiegendere Erkrankung hatte.

In einer Teilstichprobe von 500 Gleichaltrigen, die sowohl von einem Arzt als auch vom LLM bewertet wurden, war die KI in 88 % der Fälle korrekt, verglichen mit 86 % beim Arzt.

Die Unterstützung des Triage-Prozesses durch KI könnte dem Arzt wertvolle Zeit für die Behandlung von Patienten mit den schwerwiegendsten Erkrankungen verschaffen und gleichzeitig zusätzliche Entscheidungshilfen für Ärzte bieten, die mit mehreren dringenden Anfragen jonglieren müssen.

Stellen Sie sich zwei Patienten vor, die ins Krankenhaus transportiert werden müssen, aber es gibt nur einen Krankenwagen. Oder ein Arzt hat Bereitschaftsdienst und drei Personen rufen sie gleichzeitig an, und sie muss entscheiden, an wen sie zuerst antworten soll.

Christopher Williams, MB, BChir, Hauptautor, UCSF-Postdoktorand am Bakar Computational Health Sciences Institute

Noch nicht ganz bereit für die Hauptsendezeit

Die Studie ist eine der wenigen, die ein LLM anhand realer klinischer Daten statt simulierter Szenarien bewertet, und ist die erste, die mehr als 1.000 klinische Fälle für diesen Zweck verwendet. Es ist auch die erste Studie, die Daten von Besuchen in der Notaufnahme nutzt, wo es ein breites Spektrum möglicher medizinischer Erkrankungen gibt.

Trotz des Erfolgs in dieser Studie bestätigte Williams, dass KI ohne weitere Validierung und klinische Studien noch nicht bereit für einen verantwortungsvollen Einsatz in der Notaufnahme ist.

„Es ist großartig zu zeigen, dass KI coole Dinge leisten kann, aber es ist am wichtigsten zu bedenken, wem diese Technologie hilft und wem sie im Weg steht“, sagte Williams. „Geht es nur darum, die Messlatte für den Einsatz von KI zu erfüllen, oder geht es darum, etwas Gutes zu leisten, und zwar für alle Arten von Patienten?“

Eine wichtige Frage, die es zu klären gilt, ist die Beseitigung von Verzerrungen aus dem Modell. Frühere Untersuchungen haben gezeigt, dass diese Modelle rassistische und geschlechtsspezifische Vorurteile im Gesundheitswesen aufrechterhalten können, was auf Vorurteile in den Daten zurückzuführen ist, die für das Training dieser Modelle verwendet wurden. Williams sagte, dass diese Modelle, bevor sie verwendet werden können, geändert werden müssen, um diese Verzerrung zu beseitigen.

„Zuerst müssen wir es wissen Wenn es funktioniert und versteht Wie Es funktioniert, und seien Sie dann vorsichtig und überlegt bei der Anwendung“, sagte Williams. „Die bevorstehenden Arbeiten werden sich damit befassen, wie diese Technologie am besten in einem klinischen Umfeld eingesetzt werden kann.“

Quelle:

Universität von Kalifornien – San Francisco

-

PREV Ian Gelder: Der Schauspieler und Star von Game of Thrones ist an kürzlich diagnostiziertem Krebs gestorben
NEXT Mathieu Ceschin (ADP) wird bald Vater: Als ihm die Drohung droht, dass ihm sein Sohn weggenommen wird, begleicht er seine Rechnung