一種旨在支持臨床醫(yī)生對有敗血癥風險的住院患者做出決策的人工智能工具具有一個不尋常的特點：它可以解釋其缺乏確定性，并建議需要哪些人口統(tǒng)計數(shù)據(jù)、生命體征和實驗室測試結果來提高其預測性能。
該系統(tǒng)名為 SepsisLab，是根據(jù)急診科和重癥監(jiān)護室治療患者的醫(yī)生和護士的反饋開發(fā)的，在這些科室，敗血癥(人體對感染的強烈反應)是最常見的。他們對現(xiàn)有的 AI 輔助工具表示不滿，該工具僅使用電子健康記錄生成患者風險預測評分，而無需臨床醫(yī)生的輸入數(shù)據(jù)。
俄亥俄州立大學的科學家設計了 SepsisLab，能夠在四小時內預測患者的敗血癥風險——但在時鐘滴答作響的同時，系統(tǒng)會識別缺失的患者信息，量化其重要性，并向臨床醫(yī)生直觀地展示特定信息將如何影響最終的風險預測。使用公開和專有患者數(shù)據(jù)組合進行的實驗表明，添加 8% 的推薦數(shù)據(jù)可將系統(tǒng)的敗血癥預測準確率提高 11%。
“現(xiàn)有模型代表了更傳統(tǒng)的人機競爭范式，在重癥監(jiān)護室和急診室中發(fā)出大量令人惱火的錯誤警報，而不聽取臨床醫(yī)生的意見，”資深研究作者、俄亥俄州立大學計算機科學與工程和生物醫(yī)學信息學副教授張平說。
“我們的想法是，通過采用‘人工智能在人機循環(huán)中’的概念，讓人工智能參與到?jīng)Q策的每個中間步驟中。我們不僅僅是在開發(fā)一種工具，我們還招募了醫(yī)生參與這個項目。這是計算機科學家和臨床醫(yī)生之間的真正合作，旨在開發(fā)一個以人為本的系統(tǒng)，讓醫(yī)生占據(jù)主導地位。”
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！