AI dự đoán bệnh nhân trở nặng là gì
Ứng dụng AI dự đoán bệnh nhân trở nặng là dùng AI phân tích dữ liệu y tế từ bệnh nhân nhằm xác định sớm những người có nguy cơ cao bị suy giảm lâm sàng cấp tính.
Ứng dụng AI dự đoán bệnh nhân trở nặng cải thiện đáng kể kết quả điều trị cho bệnh nhân thông qua việc giảm tỷ lệ tử vong và biến chứng, đồng thời tối ưu hóa việc sử dụng nguồn lực và nâng cao hiệu quả vận hành của hệ thống y tế.
Tình trạng bệnh nhân trở nặng hay suy giảm lâm sàng được định nghĩa là sự xấu đi một cách cấp tính về tình trạng lâm sàng của người bệnh đang điều trị nội trú.
Do đó dẫn đến gia tăng đáng kể nguy cơ tử vong hoặc các tổn hại nghiêm trọng khác trong khoảng thời gian ngắn.
Các biểu hiện cụ thể của tình trạng này rất đa dạng nhưng thường bao gồm các dấu hiệu suy giảm chức năng cơ quan nghiêm trọng.
Phổ biến nhất là suy hô hấp, biểu hiện qua việc bệnh nhân cần các biện pháp hỗ trợ hô hấp xâm lấn như đặt nội khí quản, mở khí quản, thở máy, hoặc thở oxy lưu lượng cao.
Một biểu hiện nguy hiểm khác là sốc tuần hoàn, đặc trưng bởi tình trạng tụt huyết áp nghiêm trọng, đòi hỏi phải sử dụng các loại thuốc vận mạch hoặc co mạch để duy trì huyết áp.
Các biến cố nghiêm trọng khác bao gồm ngừng tim hoặc việc bệnh nhân cần được chuyển đến Khoa Hồi sức tích cực (ICU) hoặc tái nhập ICU một cách không có kế hoạch trước.
Các công nghệ chính
Học máy truyền thống
Học máy truyền thống ám chỉ một nhóm lớn các thuật toán đã được sử dụng rộng rãi trong nhiều năm qua ở nhiều ngành công nghiệp bao gồm y tế.
Những phương pháp này thường có ưu điểm dễ giải thích hơn.
Điều này rất quan trọng trong môi trường y tế, nơi mà việc hiểu lý do tại sao một dự đoán được đưa ra có thể quan trọng như chính bản thân dự đoán.
Các thuật toán chính
Một trong những kỹ thuật học máy truyền thống phổ biến nhất là Hồi Quy Logistic.
Phương pháp này là một cách tiếp cận thống kê ước tính xác suất của một kết quả nhị phân như liệu một bệnh nhân sẽ trở nên nguy kịch hay không.
Hồi quy logistic đã được ứng dụng trong các công cụ lâm sàng như Chỉ Số Suy Giảm Epic, giúp dự đoán nguy cơ của bệnh nhân trong bệnh viện bằng cách phân tích các dấu hiệu sinh tồn và kết quả xét nghiệm.
Ví dụ: tại các bệnh viện mô hình này có thể giúp bác sĩ xác định nhanh những bệnh nhân COVID-19 có nguy cơ chuyển biến nặng.
Một thuật toán được sử dụng rộng rãi khác là Máy Vector Hỗ Trợ (SVM).
SVM hoạt động bằng cách tìm ra ranh giới tối ưu (được gọi là siêu phẳng) phân tách tốt nhất các lớp khác nhau.
Điểm mạnh của nó nằm ở khả năng xử lý các bộ dữ liệu phức tạp với các biên phân tách rõ ràng.
Random Forest là một kỹ thuật học tập tổng hợp phổ biến xây dựng nhiều cây quyết định trong quá trình huấn luyện và kết hợp đầu ra của chúng để cải thiện độ chính xác dự đoán và giảm overfitting.
Đây là phương pháp được đánh giá cao vì tính mạnh mẽ và khả năng xử lý các loại dữ liệu đa dạng, bao gồm biến phân loại và biến liên tục.
Bản thân Cây Quyết Định là những mô hình đơn giản thể hiện các quyết định và hậu quả có thể xảy ra của chúng trong cấu trúc dạng cây.
Tính minh bạch của chúng làm cho chúng hấp dẫn đối với các ứng dụng lâm sàng vì nhân viên y tế có thể theo dõi logic đằng sau các dự đoán từng bước một.
Ngoài ra các kỹ thuật Gradient Boosting như XGBoost và LightGBM đã trở nên phổ biến nhờ hiệu suất vượt trội.
Gradient boosting xây dựng các mô hình tuần tự, trong đó mỗi mô hình mới tập trung vào việc sửa chữa lỗi do các mô hình trước đó tạo ra.
Cách tiếp cận này thường mang lại những dự đoán có độ chính xác cao.
Ví dụ: Điểm Cảnh Báo Sớm của Mayo Clinic (MC-EWS) sử dụng gradient boosting để dự đoán sự suy giảm của bệnh nhân với hiệu quả ấn tượng.
Ưu điểm và hạn chế
Các mô hình học máy truyền thống được đánh giá cao vì sự cân bằng giữa khả năng giải thích và sức mạnh dự đoán.
Các bác sĩ đánh giá cao khả năng hiểu được quyết định của mô hình nên giúp xây dựng niềm tin và tạo thuận lợi cho việc phê duyệt quy định.
Tuy nhiên, các mô hình này thường đòi hỏi kỹ thuật đặc tính mở rộng, chọn thủ công và chuyển đổi dữ liệu bệnh nhân liên quan.
Do đó có thể tốn thời gian và phụ thuộc nhiều vào kiến thức chuyên môn.
Chúng cũng có thể gặp khó khăn trong nắm bắt các mẫu phức tạp trong các bộ dữ liệu lớn, không có cấu trúc như ghi chú lâm sàng hoặc hình ảnh y tế.
Mặc dù có những thách thức này, học máy truyền thống vẫn là nền tảng cho nhiều ứng dụng AI bệnh viện do độ tin cậy và khả năng giải thích đã được chứng minh.
Học sâu
Học sâu là một tập con của học máy sử dụng mạng nơ-ron nhân tạo với nhiều lớp (do đó gọi là “sâu”) để tự động học các biểu diễn dữ liệu phức tạp.
Nó đã cách mạng hóa nhiều lĩnh vực bằng cách giúp mô hình trích xuất các mẫu phức tạp từ dữ liệu thô mà không cần nhiều kỹ thuật đặc tính thủ công.
Phổ biến cho dự đoán suy giảm
Một trong những kiến trúc phù hợp nhất cho dữ liệu chuỗi thời gian y tế là Mạng Nơ-ron Hồi Quy (RNN) và biến thể nâng cao của nó là mạng Bộ Nhớ Dài-Ngắn Hạn (LSTM).
Những mạng này được thiết kế để xử lý dữ liệu tuần tự, nơi mà thứ tự thông tin rất quan trọng như ghi lại dấu hiệu sinh tồn liên tục hoặc ghi chú tiến triển.
Nghiên cứu của Google áp dụng RNN vào dữ liệu lâm sàng đã chứng minh kết quả đầy hứa hẹn trong việc dự báo kết quả bệnh nhân bằng cách nắm bắt các phụ thuộc thời gian.
Ví dụ: Các bệnh viện tuyến đầu có thể ứng dụng mô hình này để theo dõi liên tục các chỉ số sinh hiệu của bệnh nhân trong phòng ICU.
Mạng Nơ-ron Tích Chập (CNN) thường được liên kết với phân tích hình ảnh nhưng cũng đã được áp dụng cho dữ liệu tuần tự và văn bản trong các tình huống chăm sóc sức khỏe.
Ví dụ: CNN có thể phân tích X-quang ngực hoặc chụp CT để phát hiện dấu hiệu suy giảm sớm hoặc có thể được điều chỉnh cho đầu vào chuỗi thời gian có cấu trúc.
Khả năng nhận dạng các mẫu không gian khiến chúng lý tưởng để xử lý hình ảnh X-quang cùng với dữ liệu lâm sàng.
Một kiến trúc mới hơn đang thu hút sự chú ý là mô hình Transformer.
Mô hình này ban đầu được phát triển cho các tác vụ xử lý ngôn ngữ tự nhiên nhưng ngày càng hữu ích cho các loại dữ liệu y tế khác nhau, bao gồm chuỗi thời gian và tường thuật lâm sàng.
Transformers xuất sắc khi nắm bắt các phụ thuộc tầm xa trong dữ liệu thông qua cơ chế chú ý.
Mô hình TECO là một ví dụ về hệ thống dựa trên Transformer được thiết kế để dự đoán sự suy giảm của bệnh nhân bằng cách phân tích hiệu quả các chuỗi sự kiện lâm sàng.
Ưu điểm và thách thức
Các mô hình học sâu rất hiệu quả trong xử lý khối lượng lớn dữ liệu phức tạp và không có cấu trúc như tín hiệu theo dõi liên tục hoặc ghi chú lâm sàng dạng văn bản tự do.
Khả năng tự động học các đặc điểm liên quan của chúng giảm nhu cầu đầu vào thủ công từ các chuyên gia chăm sóc sức khỏe.
Tuy nhiên, học sâu thường hoạt động như “hộp đen”, khiến việc giải thích cách chúng đi đến các dự đoán cụ thể trở nên khó khăn.
Đây là một rào cản đáng kể trong môi trường lâm sàng nơi mà tính minh bạch là rất quan trọng.
Chúng cũng đòi hỏi các bộ dữ liệu được gắn nhãn lớn và tài nguyên tính toán đáng kể để đào tạo hiệu quả.
Vì vậy có thể hạn chế khả năng tiếp cận của chúng trong các môi trường bệnh viện nhỏ hơn.
Mặc dù có những trở ngại này, học sâu đã chứng minh hiệu suất vượt trội trong nhiều trường hợp có liên quan đến dữ liệu thời gian hoặc đa phương thức phức tạp.
Hơn nữa còn mở rộng ranh giới của những gì các mô hình dự đoán có thể đạt được trong chăm sóc sức khỏe.
Áp dụng trong thực tế bệnh viện
Lựa chọn giữa phương pháp học máy truyền thống và học sâu phụ thuộc vào một số yếu tố bao gồm loại dữ liệu có sẵn, nhu cầu về khả năng giải thích, tài nguyên tính toán và mục tiêu lâm sàng.
Bệnh viện với hồ sơ sức khỏe điện tử có cấu trúc tốt có thể thấy các kỹ thuật ML truyền thống đủ cho các hệ thống cảnh báo sớm dựa vào dữ liệu bảng như dấu hiệu sinh tồn hoặc kết quả xét nghiệm.
Những mô hình này cung cấp khả năng tích hợp dễ dàng hơn vào quy trình làm việc hiện có và giải thích rõ ràng hơn cho các bác sĩ lâm sàng.
Ngược lại, các tổ chức có quyền truy cập vào các bộ dữ liệu phong phú bao gồm luồng theo dõi liên tục, ghi chú lâm sàng và hình ảnh y tế có thể được hưởng lợi nhiều hơn từ các mô hình học sâu khi chúng có thể tổng hợp các đầu vào đa dạng này thành các dự đoán rủi ro chính xác.
Tuy nhiên, họ phải đầu tư vào cơ sở hạ tầng và chuyên môn để triển khai các hệ thống phức tạp này một cách có trách nhiệm.
Ví dụ: Bệnh viện có thể kết hợp dữ liệu từ các thiết bị giám sát sinh hiệu với hình ảnh CT để xây dựng hệ thống cảnh báo sớm dựa trên AI.
Trong thực tế, các phương pháp tiếp cận kết hợp giữa ML truyền thống và học sâu ngày càng được khám phá để tận dụng điểm mạnh của cả hai phương pháp.
Ví dụ: học sâu có thể trước tiên trích xuất các đặc điểm từ dữ liệu thô trong khi các mô hình truyền thống diễn giải các đặc điểm đó để hỗ trợ quyết định.
Nguồn dữ liệu và đặc trưng
Dữ liệu có cấu trúc
Dữ liệu có cấu trúc đề cập đến thông tin được tổ chức cao và lưu trữ trong các định dạng được xác định trước nên giúp máy tính dễ dàng xử lý và phân tích.
Loại dữ liệu này là nền tảng cho hầu hết các hệ thống cảnh báo sớm dựa trên AI trong bệnh viện.
Dấu hiệu sinh tồn
Dấu hiệu sinh tồn là các chỉ số cốt lõi về trạng thái sinh lý và bao gồm các phép đo như nhiệt độ cơ thể, nhịp tim, huyết áp (cả tâm thu và tâm trương), tần số hô hấp và nồng độ oxy trong máu (SpO2).
Những số liệu này cung cấp thông tin thực về sức khỏe của bệnh nhân và được theo dõi liên tục ở nhiều khoa trong bệnh viện.
Hầu hết các thang điểm cảnh báo sớm dù là truyền thống hay dựa trên AI đều phụ thuộc nhiều vào các thông số này vì những thay đổi có thể báo hiệu sự khởi phát của suy giảm lâm sàng.
Ví dụ: nhịp tim tăng kết hợp với huyết áp giảm và nồng độ oxy giảm có thể là dấu hiệu của nhiễm trùng huyết hoặc suy hô hấp, đòi hỏi sự chú ý khẩn cấp từ bác sĩ lâm sàng.
Tại các bệnh viện tuyến trung ương, hệ thống giám sát tự động có thể theo dõi những thay đổi này và cảnh báo ngay cho đội phản ứng nhanh.
Kết quả xét nghiệm
Kết quả xét nghiệm cung cấp thông tin chi tiết về sinh hóa và huyết học bổ sung cho dấu hiệu sinh tồn.
Các xét nghiệm máu như công thức máu toàn bộ (CBC) tiết lộ mức tế bào bạch cầu có thể chỉ ra nhiễm trùng hoặc viêm.
Các bảng sinh hóa đo điện giải, chỉ số chức năng thận như ure và creatinine, enzyme gan, mức glucose, lactate (dấu hiệu thiếu oxy mô), albumin và khí máu động mạch.
Những giá trị xét nghiệm này có thể phát hiện bất thường rất nhỏ trước khi các dấu hiệu lâm sàng trở nên rõ ràng.
Ví dụ: mức lactate tăng cao thường báo hiệu sốc sắp xảy ra hoặc rối loạn chức năng cơ quan.
Thông tin nhân khẩu học
Các yếu tố nhân khẩu học như tuổi tác, giới tính và dân tộc là những yếu tố dự báo quan trọng về nguy cơ bệnh tật và kết quả.
Bệnh nhân lớn tuổi hoặc những người thuộc một số nhóm dân tộc có thể có nguy cơ biến chứng cao hơn hoặc đáp ứng khác nhau với các phương pháp điều trị.
Những thông tin này giúp các mô hình AI cá nhân hóa đánh giá rủi ro.
Tiền sử lâm sàng và dữ liệu khác
Dữ liệu có cấu trúc bổ sung bao gồm mã chẩn đoán (sử dụng hệ thống như ICD), các bệnh đồng mắc được ghi nhận, tiền sử phẫu thuật, danh sách thuốc hiện tại và hệ thống tính điểm lâm sàng như Thang Glasgow Hôn Mê (GCS), Đánh Giá Suy Tạng Tuần Tự (SOFA) hoặc SOFA điều chỉnh (mSOFA).
Dữ liệu về nhập viện, chuyển giữa các khoa và thời gian nằm viện cũng cung cấp bối cảnh mà thuật toán AI sử dụng để dự đoán chính xác hơn.
Ví dụ: một bệnh nhân có tiền sử bệnh thận mãn tính đang trải qua phẫu thuật lớn có thể được đánh dấu là có nguy cơ suy giảm cao hơn.
Dữ liệu phi cấu trúc
Dữ liệu phi cấu trúc không tuân theo các định dạng cố định và thường được tìm thấy dưới dạng văn bản tự do hoặc báo cáo phức tạp.
Mặc dù máy móc khó giải thích trực tiếp nhưng lại chứa thông tin ngữ cảnh phong phú mà rdữ liệu có cấu trúc có thể bỏ sót.
Ghi chú lâm sàng
Ghi chú của bác sĩ, y tá và chuyên gia ghi lại các quan sát chi tiết, mô tả triệu chứng, thay đổi tình trạng và lý luận của bác sĩ lâm sàng.
Những hồ sơ này thường chứa các manh mối sớm về xu hướng suy giảm tinh tế hoặc biến chứng mà dữ liệu số không thể nắm bắt đầy đủ.
Các kỹ thuật Xử Lý Ngôn Ngữ Tự Nhiên (NLP) được áp dụng để trích xuất thông tin có ý nghĩa từ ghi chú như đề cập đến tình trạng khó thở ngày càng tồi tệ, lú lẫn hoặc nhiễm trùng mới.
Sau đó chuyển đổi chúng thành đầu vào có cấu trúc cho các mô hình dự đoán.
Báo cáo X-quang
Diễn giải bằng văn bản của hình ảnh y tế như X-quang, chụp CT hoặc MRI cũng thuộc về dữ liệu phi cấu trúc.
Mô tả của bác sĩ X-quang nêu bật các bất thường như thâm nhiễm ở phổi hoặc phù não có thể chỉ ra nguy cơ suy giảm tăng cao.
Xử lý các báo cáo này với công cụ NLP, hệ thống AI có thêm góc nhìn nâng cao khả năng dự báo các sự kiện bất lợi.
Ví dụ: Áp dụng các hệ thống này có thể giúp các bệnh viện tuyến huyện phát hiện sớm các dấu hiệu nguy hiểm mà không cần bác sĩ chuyên khoa chẩn đoán hình ảnh trực tiếp.
Dữ liệu hình ảnh y tế
Ngoài mô tả bằng văn bản, bản thân các hình ảnh X-quang ngực, CT não, MRI bụng cũng chứa các manh mối quý giá về sức khỏe bệnh nhân.
Những hình ảnh này có thể tiết lộ những thay đổi cấu trúc, tổn thương, tích tụ dịch hoặc các dấu hiệu bệnh lý khác dự đoán sự suy giảm.
Kỹ thuật thị giác máy tính giúp AI phân tích trực tiếp những hình ảnh y tế.
Bằng cách huấn luyện trên các bộ dữ liệu lớn gồm hình ảnh y tế được gắn nhãn, mô hình học sâu học cách nhận dạng các mẫu liên quan đến mức độ nghiêm trọng của bệnh đang xấu đi mà có thể bị bỏ qua bởi mắt người hoặc mất quá nhiều thời gian để giải thích trong quá trình chăm sóc thông thường.
Ví dụ: phát hiện thâm nhiễm phổi sớm trên X-quang ngực có thể thúc đẩy điều trị sớm hơn cho viêm phổi trước khi suy hô hấp phát triển.
Dữ liệu chuỗi thời gian
Khác với các phép đo đơn điểm, dữ liệu chuỗi thời gian ghi lại cách dấu hiệu sinh tồn, kết quả xét nghiệm hoặc các chỉ số lâm sàng khác của bệnh nhân thay đổi theo thời gian.
Khi theo dõi những thay đổi này thường tiết lộ các mẫu và xu hướng dự đoán tình trạng suy giảm lâm sàng tốt hơn so với các giá trị riêng lẻ.
Ví dụ: nhịp tim tăng đều đặn hoặc nồng độ oxy giảm dần trong vài giờ có thể báo hiệu một sự kiện nguy kịch sắp xảy ra ngay cả khi mỗi lần đo riêng lẻ vẫn nằm trong giới hạn bình thường.
Tương tự, kết quả xét nghiệm xấu đi như mức lactate tăng hoặc số lượng tiểu cầu giảm trong nhiều ngày có thể báo hiệu chức năng cơ quan đang suy giảm.
Tại nhiều bệnh viện lớn, phân tích xu hướng thay đổi trong các chỉ số sinh hóa máu có thể giúp dự đoán biến chứng sau phẫu thuật trước khi xuất hiện triệu chứng lâm sàng.
Các mô hình học sâu như mạng Bộ Nhớ Dài-Ngắn Hạn (LSTM) và kiến trúc Transformer đặc biệt phù hợp để phân tích dữ liệu chuỗi thời gian vì chúng có thể nắm bắt các phụ thuộc thời gian phức tạp và các mẫu tầm xa.
Những mô hình này “ghi nhớ” thông tin lịch sử liên quan và cân nhắc phù hợp khi đưa ra dự đoán về nguy cơ tương lai của bệnh nhân.
Bệnh viện sử dụng mô hình AI kết hợp dữ liệu chuỗi thời gian thường thấy độ nhạy và độ đặc hiệu được cải thiện trong hệ thống cảnh báo sớm.
Do đó tạo điều kiện can thiệp kịp thời hơn.
Dữ liệu từ thiết bị đeo và cảm biến
Những tiến bộ gần đây trong công nghệ thiết bị đeo đã mở ra cơ hội mới để thu thập dữ liệu sinh lý liên tục cả trong bệnh viện và từ xa.
Các thiết bị như đồng hồ thông minh, miếng dán với cảm biến nhúng hoặc thậm chí các màn hình bên giường có thể theo dõi các dấu hiệu sinh tồn như biến thiên nhịp tim, tần số hô hấp, nhiệt độ và nồng độ oxy trong thời gian thực.
Giám sát liên tục cung cấp một luồng dữ liệu phong phú nắm bắt những dao động tinh tế mà các phép đo thủ công định kỳ bỏ qua.
Ví dụ: các giai đoạn thoáng qua của nồng độ oxy thấp hoặc nhịp tim không đều có thể là dấu hiệu sớm của sự suy giảm mà các phương pháp theo dõi truyền thống bỏ qua.
Trong tương lai gần, nhiều bệnh nhân có thể được trang bị các thiết bị đeo thông minh giá phải chăng để theo dõi từ xa sau khi xuất viện, giúp phát hiện sớm các biến chứng.
Đưa dữ liệu tần số cao này vào thuật toán AI, bác sĩ lâm sàng có thể nhận được cảnh báo gần như tức thời về những thay đổi trạng thái bệnh nhân.
Khả năng này mở ra cánh cửa giám sát chặt chẽ hơn cho bệnh nhân có nguy cơ cao ở các khoa chung hoặc thậm chí theo dõi sau xuất viện tại nhà.
Tích hợp dữ liệu cảm biến đeo vào các mô hình dự đoán thể hiện một bước tiến đáng kể trong chăm sóc bệnh nhân chủ động, được cá nhân hóa.
Những dữ liệu khác
Ngoài dữ liệu sinh lý và lâm sàng, một số nghiên cứu đã tìm thấy giá trị trong việc phân tích giao tiếp nội bộ bệnh viện như tần suất và nội dung tin nhắn trao đổi giữa y tá và bác sĩ.
Logic đằng sau điều này là hoạt động nhắn tin tăng lên đặc biệt là tin nhắn thảo luận về mối quan ngại đối với một bệnh nhân.
Nội dung tin nhắn có thể phản ánh sự cảnh giác lâm sàng cao hoặc các vấn đề mới xuất hiện chưa được ghi đầy đủ trong hồ sơ y tế.
Theo cách này, mẫu giao tiếp đóng vai trò như những chỉ báo gián tiếp nhưng có ý nghĩa về nguy cơ của bệnh nhân.
Ví dụ: một đợt tăng đột ngột trong tin nhắn khẩn cấp về một bệnh nhân cụ thể có thể thúc đẩy hệ thống AI đánh dấu cá nhân đó có khả năng đang suy giảm.
Cách tiếp cận này nắm bắt trực giác lâm sàng tập thể và mối quan tâm của nhân viên y tế trong thời gian thực.
Mặc dù vẫn là một lĩnh vực nghiên cứu mới nhưng kết hợp dữ liệu giao tiếp bổ sung một chiều hướng đổi mới cho bộ công cụ dự đoán của AI bằng cách khai thác các yếu tố con người trong cung cấp dịch vụ chăm sóc sức khỏe.
Tại các bệnh viện hiện đại, phân tích mô hình giao tiếp qua hệ thống tin nhắn nội bộ và gọi hội chẩn có thể giúp xác định những bệnh nhân cần được chú ý đặc biệt.
Lợi ích khi dùng AI
Nâng cao độ chính xác
Một trong những lợi ích nổi bật nhất của AI trong việc dự đoán sự suy giảm của bệnh nhân là độ chính xác vượt trội so với các hệ thống cảnh báo sớm truyền thống (EWS) như Thang Điểm Cảnh Báo Sớm Quốc Gia (NEWS) hoặc Thang Điểm Cảnh Báo Sớm Điều Chỉnh (MEWS).
Trong khi các hệ thống tính điểm này đã được sử dụng rộng rãi trong nhiều năm, chúng thường dựa vào một tập hợp hạn chế các dấu hiệu sinh tồn và ngưỡng đơn giản.
Vì vậy có thể dẫn đến nhiều cảnh báo sai hoặc bỏ sót phát hiện.
Khả năng phân biệt cao hơn
Các mô hình AI, đặc biệt là những mô hình được xây dựng bằng học sâu và tích hợp nhiều nguồn dữ liệu, liên tục thể hiện các số liệu hiệu suất cao hơn như Diện Tích Dưới Đường Cong Đặc Tính Hoạt Động Người Nhận (AUROC).
Như vậy có nghĩa chúng có thể phân biệt tốt hơn giữa bệnh nhân sẽ suy giảm và những người sẽ giữ ổn định.
Không giống như EWS truyền thống có thể đánh dấu một số lượng lớn bệnh nhân có nguy cơ, hệ thống AI đạt được độ nhạy tương đương hoặc cao hơn đồng thời giảm đáng kể cảnh báo sai.
Giảm cảnh báo sai này giúp ngăn ngừa mệt mỏi do cảnh báo trong nhân viên y tế, giúp họ tập trung vào các trường hợp khẩn cấp thực sự.
Ví dụ: Tại Bệnh viện, ứng dụng hệ thống AI có thể giảm tới 40% cảnh báo không cần thiết, giúp đội ngũ y tế tối ưu hóa nguồn lực.
Phát hiện sớm hơn
AI cũng xuất sắc trong việc xác định các dấu hiệu tinh tế của suy giảm trước khi chúng trở nên rõ ràng đối với các bác sĩ lâm sàng hoặc kích hoạt hệ thống tính điểm truyền thống.
Nhiều công cụ dự đoán hỗ trợ AI có thể đưa ra cảnh báo hàng giờ thường là 6 đến 24 giờ hoặc thậm chí vài ngày trước một sự kiện nguy kịch.
Ví dụ: mô hình TECO của Google có thể dự đoán tử vong trước tới 60 giờ với độ chính xác tương đương với Chỉ số Suy Giảm Epic (EDI), vốn dự đoán trước 12 giờ.
Cửa sổ cảnh báo sớm mở rộng này tạo ra một “giai đoạn vàng” quý giá cho các can thiệp phòng ngừa.
Do đó nâng cao khả năng đảo ngược hoặc giảm thiểu sự suy giảm trước khi nó trở nên nghiêm trọng.
Tuy nhiên, điều quan trọng là cân bằng việc dự đoán được thực hiện trước bao xa vì khoảng thời gian dài hơn có thể làm tăng sự không chắc chắn và cảnh báo sai.
Tìm ra “chân trời” dự đoán tối ưu này là chìa khóa để có cảnh báo đáng tin cậy và khả thi.
Tích hợp dữ liệu đa dạng
Không giống như EWS truyền thống chủ yếu sử dụng một vài phép đo dấu hiệu sinh tồn, các mô hình AI có thể phân tích các bộ dữ liệu khổng lồ và đa dạng lấy từ hồ sơ sức khỏe điện tử (EHR).
Điều này bao gồm dấu hiệu sinh tồn, kết quả xét nghiệm, thông tin nhân khẩu học, tiền sử y tế, thuốc, ghi chú lâm sàng dưới dạng văn bản và thậm chí dữ liệu hình ảnh y tế.
Kết hợp các loại dữ liệu khác biệt này, AI có được sự hiểu biết tổng thể và tinh tế hơn về tình trạng phức tạp của từng bệnh nhân.
Góc nhìn toàn diện cũng tiết lộ các mối tương quan và mẫu ẩn mà các bác sĩ lâm sàng hoặc hệ thống tính điểm đơn giản có thể bỏ qua.
Do đó dẫn đến phân tầng rủi ro tốt hơn và dự đoán được cá nhân hóa.
Cải thiện kết quả lâm sàng
Mục tiêu cuối cùng của dự đoán sớm là cải thiện sức khỏe và khả năng sống sót của bệnh nhân.
Nhiều nghiên cứu và triển khai thực tế cho thấy các hệ thống dự đoán suy giảm dựa trên AI được tích hợp với các can thiệp lâm sàng kịp thời đạt được những cải thiện đáng kể về kết quả.
Giảm tử vong và biến cố bất lợi
Các hệ thống chăm sóc sức khỏe lớn trên toàn cầu báo cáo sự giảm đáng kể về tử vong trong bệnh viện sau khi triển khai các công cụ cảnh báo sớm dựa trên AI kết hợp với quy trình phản ứng nhanh.
Ví dụ: hệ thống Giám Sát Cảnh Báo Nâng Cao (AAM) của Kaiser Permanente đã giúp giảm tỷ lệ tử vong 16%, ngăn ngừa ước tính hơn 500 ca tử vong hằng năm.
Tương tự, khi Stanford Medicine sử dụng Chỉ số Suy Giảm Epic (EDI) dẫn đến giảm 10,4% nguy cơ tuyệt đối trong việc leo thang chăm sóc do cảnh báo kích hoạt.
Intermountain Healthcare cũng ghi nhận tỷ lệ tử vong giảm sau khi thực hiện các chương trình tương tự.
Giảm nguy cơ tử vong phản ánh ít cuộc gọi cấp cứu “code blue” và chuyển ICU không có kế hoạch hơn.
Điều đó cho thấy bệnh nhân được xác định và điều trị trước khi tình trạng của họ trở nên nguy kịch.
Ví dụ: Ở các bệnh viện tuyến tỉnh nếu áp dụng mô hình tương tự có tiềm năng giảm tỷ lệ tử vong do nhiễm trùng huyết và các biến chứng cấp tính khác.
Thời gian nằm viện ngắn hơn
Phát hiện và can thiệp sớm hơn thường làm ổn định bệnh nhân nhanh hơn.
Do đó có thể rút ngắn thời gian nằm viện tổng thể của họ đặc biệt là thời gian ở trong đơn vị chăm sóc tích cực (ICU).
Giảm thời gian nằm ICU không chỉ mang lại lợi ích cho bệnh nhân bằng cách giảm thiểu tiếp xúc với các biện pháp điều trị xâm lấn và biến chứng mắc phải trong bệnh viện mà còn giúp bệnh viện quản lý nguồn lực hiệu quả hơn.
Hỗ trợ ra quyết định lâm sàng
AI đóng vai trò như một công cụ hỗ trợ quyết định khách quan cung cấp đánh giá rủi ro dựa trên bằng chứng từ dữ liệu toàn diện của bệnh nhân.
Cung cấp cảnh báo kịp thời về những bệnh nhân cần theo dõi sát hơn hoặc điều chỉnh điều trị, AI trao quyền cho bác sĩ và y tá ưu tiên chăm sóc một cách hiệu quả.
Thông tin dự đoán nâng cao quy trình làm việc lâm sàng khi giúp nhân viên đánh giá lại tình trạng bệnh nhân kịp thời.
Từ đó điều chỉnh kế hoạch điều trị hoặc bắt đầu các biện pháp phòng ngừa trước khi xảy ra suy giảm.
Tối ưu nguồn lực bệnh viện
Trong khi cải thiện kết quả cho bệnh nhân là mục tiêu chính của hệ thống dự đoán AI, tác động của chúng đến hoạt động bệnh viện cũng có giá trị tương đương.
Sử dụng nguồn lực hạn chế một cách hiệu quả không chỉ kiểm soát chi phí mà còn nâng cao an toàn cho bệnh nhân và sự hài lòng của nhân viên.
Sử dụng hiệu quả giường ICU
Giường Đơn vị Chăm sóc Tích cực (ICU) là một trong những nguồn lực quan trọng và tốn kém nhất trong bất kỳ bệnh viện nào.
Khả năng sẵn có của chúng có thể ảnh hưởng trực tiếp đến khả năng sống sót của bệnh nhân, đặc biệt là trong thời kỳ nhu cầu cao.
Khả năng dự đoán chính xác của AI về việc bệnh nhân nào thực sự cần chăm sóc ICU và khi nào họ cần sẽ giúp bệnh viện tối ưu hóa việc sử dụng giường.
Thay vì nhập viện không cần thiết hoặc trì hoãn chuyển đến ICU do lo ngại về công suất, quyết định được AI hướng dẫn đảm bảo rằng giường ICU được dành cho những người cần chúng nhất vào đúng thời điểm.
Vì thế giảm cả tình trạng quá tải và sử dụng dưới mức ICU, dẫn đến luồng bệnh nhân suôn sẻ hơn và chăm sóc tổng thể tốt hơn.
Ví dụ: Tại nhiều bệnh viện lớn, tối ưu hóa sử dụng giường ICU có thể giúp phục vụ thêm 15-20% số bệnh nhân nặng mỗi tháng.
Giảm chi phí điều trị
Bằng cách ngăn ngừa biến chứng và hỗ trợ can thiệp sớm hơn, hệ thống dự đoán AI góp phần làm giảm thời gian nằm viện và giảm các điều trị chuyên sâu.
Kết hợp với việc tối ưu hóa nhân sự, sử dụng thiết bị và quản lý giường bệnh, điều này dẫn đến tiết kiệm chi phí đáng kể.
Các bệnh viện được hưởng lợi về mặt tài chính bằng cách tránh can thiệp cấp cứu tốn kém, giảm thời gian nằm viện và giảm thiểu lãng phí nguồn lực.
Những khoản tiết kiệm hoạt động này sau đó có thể được tái đầu tư để cải thiện chất lượng chăm sóc hoặc mở rộng khả năng tiếp cận.
Giảm công việc nhân viên y tế
Hệ thống cảnh báo thiết kế kém có thể gây ra “mệt mỏi do báo động”, nhưng các mô hình AI được điều chỉnh tốt thực sự làm giảm cảnh báo không cần thiết bằng cách cung cấp độ đặc hiệu dự đoán cao hơn so với hệ thống cảnh báo sớm truyền thống.
Do đó hỗ trợ y tá và bác sĩ tập trung sự chú ý vào bệnh nhân thực sự có nguy cơ cao thay vì theo đuổi báo động sai.
Nhiều bệnh viện đã báo cáo các công cụ dự đoán dựa trên AI giảm việc kiểm tra dấu hiệu sinh tồn thường xuyên trong thời kỳ nguy cơ thấp.
Từ đó giải phóng nhân viên điều dưỡng cho các nhiệm vụ chăm sóc phức tạp hơn.
Tự động hóa quy trình sàng lọc ban đầu cũng cắt giảm khối lượng công việc thủ công.
Vì vậy cải thiện hiệu quả của nhân viên và sự hài lòng trong công việc.
Những cải tiến hoạt động nhấn mạnh việc đánh giá lợi nhuận đầu tư (ROI) của AI nên xem xét không chỉ lợi ích lâm sàng mà còn cả cải tiến quy trình làm việc và tinh thần của lực lượng lao động.
Cá nhân hóa phác đồ điều trị
Khả năng phân tích khối lượng lớn dữ liệu đa dạng của AI hỗ trợ chuyển từ cách tiếp cận “một kích cỡ phù hợp với tất cả” sang y học thực sự được cá nhân hóa.
Đánh giá rủi ro cá nhân
Thay vì áp dụng điểm cảnh báo sớm đồng nhất hoặc quy tắc cứng nhắc cho tất cả bệnh nhân, mô hình AI tính toán rủi ro dựa trên sự kết hợp độc đáo của từng cá nhân về nhân khẩu học, dữ liệu sinh lý, tiền sử y tế và tình trạng lâm sàng hiện tại.
Phân tầng rủi ro được cá nhân hóa này cải thiện độ chính xác của các dự đoán.
Từ đó xác định bệnh nhân có thể bị bỏ qua bởi hệ thống tính điểm tổng quát cũng như tránh ước tính quá mức cho những người có nguy cơ thấp.
Ở nhiều nơi, cách tiếp cận này đặc biệt có giá trị khi xem xét sự khác biệt về đặc điểm di truyền và phản ứng với thuốc giữa người châu Á và các quần thể được nghiên cứu phổ biến hơn.
Hỗ trợ kế hoạch điều trị tùy chỉnh
Dự báo chính xác về nguy cơ suy giảm cho phép các bác sĩ lâm sàng điều chỉnh kế hoạch chăm sóc hiệu quả hơn.
Ví dụ: một bệnh nhân được xác định là có nguy cơ cao có thể nhận được giám sát thường xuyên hơn, điều trị phòng ngừa cụ thể hoặc quy trình can thiệp sớm, trong khi bệnh nhân có nguy cơ thấp tránh được các thủ thuật hoặc xét nghiệm không cần thiết.
Cá nhân hóa dựa trên dữ liệu phù hợp với các nguyên tắc của y học chính xác, tối ưu hóa việc sử dụng nguồn lực và cải thiện trải nghiệm của bệnh nhân bằng cách cung cấp dịch vụ chăm sóc thực sự phù hợp với nhu cầu cá nhân.
Các hệ thống AI nổi bật
Hệ thống Mayo Clinic (MC-EWS)
Mayo Clinic đã phát triển Hệ Thống Cảnh Báo Sớm (MC-EWS) để dự đoán sự suy giảm của bệnh nhân bằng cách sử dụng phương pháp học máy tiên tiến.
Cốt lõi của mô hình này dựa trên thuật toán Gradient Boosting.
Đây là phương pháp học tập tổng hợp mạnh mẽ xây dựng các mô hình tuần tự để sửa chữa lỗi do các mô hình trước đó tạo ra.
Điều làm MC-EWS nổi bật là khả năng sử dụng kỹ thuật đặc tính phức tạp, bao gồm phân tích tương tác giữa các biến lâm sàng và tích hợp dữ liệu chuỗi thời gian từ hồ sơ sức khỏe điện tử (EHR), đặc biệt là đánh giá điều dưỡng.
Khả năng tích hợp của các mẫu dữ liệu lâm sàng và xu hướng thời gian giúp mô hình nắm bắt các dấu hiệu tinh tế của sự suy giảm mà các hệ thống tính điểm đơn giản hơn có thể bỏ qua.
Ví dụ: Tại nhiều nơi, phương pháp này có thể giúp phát hiện các trường hợp nhiễm trùng huyết tiến triển âm thầm trước khi có biểu hiện sốc rõ ràng.
MC-EWS nhằm mục đích dự đoán các sự kiện bất lợi như cuộc gọi cấp cứu, chuyển ICU, hoặc kích hoạt đội phản ứng nhanh trong 24 giờ tới.
Các nghiên cứu xác nhận nội bộ và bên ngoài đã chứng minh khả năng phân biệt nổi bật.
Với Diện Tích Dưới Đường Cong Đặc Tính Hoạt Động Người Nhận (AUROC) dao động từ 0,91 đến 0,94, cho thấy độ chính xác dự đoán xuất sắc.
Đáng chú ý, ở mức độ nhạy cố định 73%, MC-EWS tạo ra ít hơn 45% cảnh báo so với điểm số truyền thống như NEWS.
Vì vậy giúp giảm mệt mỏi do cảnh báo sai cho bệnh viện và nhân viên điều dưỡng.
Cân bằng giữa độ nhạy cao và tỷ lệ cảnh báo sai thấp làm cho nó trở thành một hệ thống cảnh báo sớm thực tế và đáng tin cậy.
Ngoài MC-EWS, Mayo Clinic tích cực khám phá các ứng dụng AI trên các lĩnh vực y tế khác như dự đoán suy tim, tiên lượng ung thư, kết quả đột quỵ và dự báo sau phẫu thuật tim.
Họ cũng sử dụng các công cụ AI thương mại như Chỉ số Suy Giảm của Epic (DI).
Từ đó phản ánh cam kết của họ về việc tích hợp AI rộng rãi trong chăm sóc lâm sàng.
Hệ thống Kaiser Permanente
Kaiser Permanente, một hệ thống chăm sóc sức khỏe tích hợp lớn, đã phát triển Hệ Thống Giám Sát Cảnh Báo Nâng Cao (AAM).
AAM tận dụng các kỹ thuật học máy áp dụng cho khối lượng lớn dữ liệu bệnh nhân nội trú từ cơ sở dữ liệu EHR của họ.
Bộ dữ liệu bao gồm hàng trăm triệu điểm dữ liệu chi tiết như xét nghiệm, dấu hiệu sinh tồn, thuốc và các biến lâm sàng khác.
Nền tảng dữ liệu mở rộng này hỗ trợ AAM xây dựng các mô hình dự đoán tinh vi được điều chỉnh cho bệnh nhân đang nằm viện.
AAM tập trung vào việc dự đoán “suy sụp” của bệnh nhân, các sự kiện đòi hỏi chuyển ICU hoặc dẫn đến tử vong trong khoảng thời gian 12 giờ.
Không giống như các công cụ thuần thuật toán, AAM là một phần của quy trình lâm sàng rộng lớn hơn liên quan đến các đội chăm sóc đa ngành.
Hệ thống không chỉ tạo ra cảnh báo mà còn hỗ trợ can thiệp chủ động bằng cách huy động phản ứng lâm sàng thích hợp sớm.
Triển khai quy mô lớn AAM trên các bệnh viện Kaiser Permanente đã mang lại kết quả lâm sàng ấn tượng.
Các báo cáo cho thấy giảm 16% tỷ lệ tử vong, ước tính ngăn ngừa hơn 500 ca tử vong hàng năm, và giảm 10% tỷ lệ tái nhập viện trong số bệnh nhân có nguy cơ cao.
Những kết quả này đưa AAM trở thành một trong những ví dụ thành công nhất của dự đoán suy giảm dựa trên AI được triển khai ở quy mô lớn với lợi ích rõ ràng.
Kaiser Permanente cũng phát triển các mô hình AI khác như AGES, dự đoán nguy cơ hậu phẫu ở bệnh nhân cao tuổi trải qua phẫu thuật cấp cứu.
Do đó chứng minh chiến lược AI toàn diện của họ trên các lĩnh vực chăm sóc.
Intermountain Healthcare
Intermountain Healthcare được công nhận là đơn vị tiên phong trong việc áp dụng AI và phân tích dữ liệu để nâng cao chất lượng chăm sóc.
Họ đã triển khai các thuật toán dự đoán nhắm vào các bệnh cụ thể như viêm phổi thông qua quy trình như ePneumonia và các mô hình dự đoán rủi ro chung cho sự suy giảm của bệnh nhân.
Các chương trình của họ báo cáo giảm tỷ lệ tử vong, nhấn mạnh giá trị lâm sàng của việc tích hợp AI vào thực hành bệnh viện thường xuyên.
Nếu áp dụng tương tự tại các trung tâm y tế lớn có thể cải thiện đáng kể kết quả điều trị cho bệnh nhân mắc các bệnh nhiễm trùng phổ biến như viêm phổi.
Quan trọng hơn, Intermountain đặt mạnh vào các tiêu chuẩn đạo đức và quản trị trong sử dụng AI.
Họ ủng hộ tính minh bạch, công bằng và trách nhiệm giải trình để đảm bảo triển khai có trách nhiệm mang lại lợi ích cho bệnh nhân một cách công bằng.
Hiện tại, Intermountain tham gia vào một dự án nghiên cứu lớn do NIH tài trợ sử dụng AI và học máy để phân loại kiểu hình các hội chứng bệnh nặng như Hội Chứng Suy Hô Hấp Cấp Tính (ARDS), nhiễm trùng huyết và viêm phổi.
Dự án này nhằm mục đích tạo ra các chiến lược điều trị chính xác hơn bằng cách phân loại bệnh nhân thành các nhóm nhỏ hơn dựa trên đặc điểm riêng của họ.
Hệ thống Google TECO
Google Research đã phát triển mô hình TECO sử dụng kiến trúc Transformer tiên tiến.
Đây là kiến trúc vốn xuất sắc trong việc xử lý dữ liệu tuần tự và không đồng nhất.
TECO phân tích dữ liệu hồ sơ y tế điện tử (EHR) theo chiều dọc.
Hơn nữa còn kết hợp cả biến cơ sở tĩnh và các đặc điểm thay đổi theo thời gian để dự đoán nguy cơ tử vong trong Đơn vị Chăm sóc Tích cực (ICU).
Trong các thử nghiệm so sánh, TECO vượt trội hơn một số mô hình đã được thiết lập như Chỉ số Suy giảm của Epic (EDI) và các thuật toán học máy truyền thống như Random Forest và XGBoost.
Sự vượt trội này được chứng minh trên cả bộ dữ liệu đào tạo gồm bệnh nhân COVID-19 và các nhóm xác nhận bên ngoài với bệnh nhân Hội chứng Suy hô hấp Cấp tính (ARDS) và nhiễm trùng huyết được trích từ cơ sở dữ liệu MIMIC-IV.
Ngoài độ chính xác dự đoán cao, TECO còn đưa ra cảnh báo sớm hơn về sự suy giảm lâm sàng so với các phương pháp khác.
Do đó cung cấp cho bác sĩ lâm sàng thời gian hữu ích để can thiệp.
Khả năng nắm bắt mối quan hệ thời gian phức tạp và tương tác giữa các biến lâm sàng là chìa khóa cho sự thành công của mô hình.
Ở các bệnh viện có nguồn lực kỹ thuật cao, mô hình này có thể giúp dự đoán sớm tình trạng nặng lên ở bệnh nhân COVID-19 và các bệnh lý hô hấp khác.
Chỉ số suy giảm Epic (DI)
Chỉ số suy giảm Epic (DI) là một công cụ dự đoán thương mại được triển khai rộng rãi.
Chỉ số suy giảm được tích hợp trong hệ thống EHR Epic, một trong những nền tảng hồ sơ điện tử bệnh viện được sử dụng phổ biến nhất.
DI sử dụng mô hình hồi quy logistic phân cấp tận dụng khoảng 17 đến 31 đặc điểm lâm sàng và nhân khẩu học để ước tính nguy cơ của các kết quả tổng hợp bất lợi bao gồm chuyển ICU, kích hoạt đội phản ứng nhanh, hoặc tử vong trong vài giờ.
Do Epic được áp dụng rộng rãi trên các tổ chức chăm sóc sức khỏe, DI đã được triển khai và đánh giá mở rộng trong các môi trường lâm sàng đa dạng.
Các nghiên cứu như tại Novant Health nhấn mạnh tầm quan trọng của việc tùy chỉnh ngưỡng cảnh báo DI để phù hợp với quần thể bệnh nhân cụ thể, cân bằng độ nhạy với tỷ lệ cảnh báo sai để tối ưu hóa tiện ích lâm sàng.
Nghiên cứu được thực hiện tại Stanford sử dụng thiết kế gián đoạn hồi quy để cung cấp bằng chứng mạnh mẽ rằng việc tích hợp cảnh báo DI vào quy trình làm việc phối hợp liên quan đến y tá và bác sĩ.
Nghiên cứu chỉ ra đã giảm đáng kể các sự kiện leo thang như kích hoạt phản ứng nhanh, chuyển ICU và ngừng tim với mức giảm nguy cơ tuyệt đối 10,4% trong số bệnh nhân gần ngưỡng cảnh báo.
Những phát hiện này nhấn mạnh rằng hiệu quả của DI không chỉ phụ thuộc vào độ chính xác thuật toán mà còn phụ thuộc vào việc tích hợp thận trọng vào quy trình lâm sàng.
Hệ thống và nghiên cứu khác
Một số hệ thống AI và nỗ lực nghiên cứu khác đóng góp có ý nghĩa cho lĩnh vực dự đoán suy giảm bệnh nhân:
- eCART: Một điểm cảnh báo sớm được phát triển để dự đoán suy giảm lâm sàng với độ chính xác tốt.
- Cảnh báo toàn bệnh viện qua bảng thông báo điện tử: Một hệ thống tích hợp cảnh báo trên các đơn vị bệnh viện để tạo điều kiện phản ứng kịp thời.
- Chỉ số Rothman: Kết hợp nhiều yếu tố lâm sàng để tạo ra một thước đo liên tục về mức độ nghiêm trọng của bệnh nhân.
- CoMET: Được hỗ trợ bởi tài trợ AHRQ, CoMET đã thể hiện hiệu suất mạnh mẽ trong đại dịch COVID-19.
- aWARE: Được phát triển tại Úc sử dụng Gradient Boosted Trees, thể hiện hiệu suất tốt hơn hệ thống BTF của quốc gia này.
- TREWS (Johns Hopkins), COMPOSER (UCSD), và SERA (Singapore): Những mô hình này kết hợp các phương pháp mới và bộ dữ liệu đa dạng, thúc đẩy đổi mới trong hệ thống cảnh báo sớm toàn cầu.
Kinh nghiệm từ các mô hình này có thể được áp dụng tại nhiều nơi để cải thiện hệ thống phát hiện sớm các trường hợp nguy kịch ở các bệnh viện tuyến cuối.
Mỗi hệ thống này thúc đẩy hiểu biết tập thể và khả năng phân tầng rủi ro bệnh nhân dựa trên AI.
Từ đó cung cấp điểm mạnh và ứng dụng độc đáo phù hợp với các môi trường lâm sàng khác nhau.
Bảng tổng hợp các hệ thống AI dự đoán
| Tên Hệ thống/Nghiên cứu | Tổ chức Phát triển/Triển khai | Phương pháp AI/ML chính | Nguồn dữ liệu chính | Kết cục dự đoán | Hiệu suất báo cáo | Kết quả triển khai lâm sàng |
|---|---|---|---|---|---|---|
| MC-EWS | Mayo Clinic | Gradient Boosting, Feature Engineering | EHR (bao gồm đánh giá điều dưỡng) | Biến cố xấu (RRT, ICU transfer, resuscitation) trong 24h | AUROC: 0.91-0.94 | Giảm 45% cảnh báo so với NEWS ở cùng độ nhạy |
| AAM | Kaiser Permanente | Học máy (không rõ chi tiết thuật toán) | EHR (dữ liệu lớn, chi tiết) | Chuyển ICU hoặc tử vong trong 12h | Không rõ chỉ số cụ thể | Giảm 16% tử vong, ngăn ngừa >500 tử vong/năm, giảm 10% tái nhập viện nguy cơ cao |
| TECO | Google Research | Transformer-encoder | EHR dọc (baseline & time-dependent) | Tử vong tại ICU | AUROC: 0.89-0.97 (nội bộ), 0.65-0.77 (ngoại bộ) | Chưa có báo cáo triển khai lâm sàng |
| Epic DI (Stanford) | Stanford Medicine | Ordinal Logistic Regression | EHR (31 biến) | Biến cố xấu kết hợp (RRT, ICU transfer, arrest, death) | AUROC: 0.71 (local validation) | Giảm 10.4% nguy cơ tuyệt đối các biến cố |
| Epic DI (Novant) | Novant Health | Ordinal Logistic Regression | EHR | Biến cố xấu kết hợp | Cần điều chỉnh ngưỡng | Giảm 22% tử vong ở bệnh nhân nguy cơ |
| aWARE | Nghiên cứu tại Úc (NSW) | Gradient Boosted Tree | EHR (nhân khẩu học, vital signs…) | Tử vong hoặc chuyển ICU trong 24h | AUROC: 0.93 (tử vong), 0.84 (chuyển ICU) | Xác định nhiều bệnh nhân hơn |
Có thể bạn quan tâm
Liên hệ
Địa chỉ
Tầng 3 Toà nhà VNCC 243A Đê La Thành Str Q. Đống Đa-TP. Hà Nội
