Отделение интенсивной терапии (ОИТ) — высоко динамическая среда, в которой любое клиническое решение несет жизненно важное значение для пациента и где передовые технологии отвечают самым гуманным аспектам лечения пациентов. Сохраняющие жизнь вмешательства могут потребоваться в любое время дня и ночи и должны выполняться с высокой точностью в условиях беспредельного давления на медицинский персонал ОИТ. В этой среде высока вероятность человеческой ошибки, но большей части из них можно избежать [1]. В этом контексте технологические достижения, и первым из них является искусственный интеллект (ИИ), несут в себе потенциал для трансформации медицины критических состояний. При продуманном и ответственном применении ИИ сможет стать бесценным союзником в совершенствовании безопасности пациента, в поддержке медицинского персонала и в значительном снижении риска ошибок.
Ошибки возникают не только по причине неудач отдельного человека, чаще они вызываются накоплением системных дефектов, когда многослойная защита дает сбой и здесь часто упоминается модель швейцарского сыра (Swiss cheese model [2]). Медикаментозные ошибки несут ответственность за половину всех ошибок в ОИТ и причиняют предотвратимый вред почти 7% пациентов [1]. Такие инструменты, как компьютеризованные системы ввода, программное обеспечение поддержки решений, штриховое кодирование медикаментов (barcode) и инфузионные смарт-помпы уже широко применяются в качестве дополнительных слоев защиты [3-5]. Внедрение алгоритмов ИИ в эти инструменты может помочь в выявлении предотвратимых ошибок намного раньше, что безусловно повысит уровень безопасности пациентов за счет интеграции большего количества данных и адаптации к потребностям пациентов. К примеру, недавняя работа показала возможность выявления медикаментозных ошибок путем ношения портативных камер с поддержкой ИИ [6]. К другим методам выявления и предотвращения ошибок с помощью ИИ можно отнести предиктивное моделирование для выявления пациентов с высоким риском, системы поддержки клинического решения и автоматизацию рутинных задач [7].
Мониторинг жизненно важных параметров является важнейшим инструментом выявления ухудшающегося состояния пациентов и незамедлительной инициации адекватной терапии. С другой стороны, внедрение новейших технологий и связанный с этим рост информационной нагрузки привел к другой, все больше и больше вызывающей беспокойство, проблеме: усталость от мониторинга и тревог [8]. Выходящее из ряда вон количество тревог, невозможность ответить на все их них и общая перегрузка данными мониторинга пациента может приводить к утере контроля за действительно критическими событиями и несвоевременным вмешательствам [9]. И эта проблема при внедрении новых технологий ИИ может усугубиться.
С другой стороны, ИИ может значительно улучшить безопасность пациента в ОИТ путем снижения ложно-положительных тревог, придавая уверенность персоналу в том, что тревоги, требующие немедленного вмешательства, находятся в приоритете. Управляемые ИИ «умные» тревоги могут трансформировать клинические рабочие процессы путем фокусировки внимания на реальные экстренные ситуации, что снизит время ответа и риски усталости от тревог. Приоритизация тревог в этих системах базируется на тяжести состояния, что позволяет клиницистам в первую очередь решать действительно критические задачи. Адаптивные алгоритмы ИИ постоянно обучаются на предшествующих событиях, повышая точность тревог с течением времени, что может приводить к снижению неблагоприятных исходов у пациентов ОИТ. С другой стороны, эффективность такого подхода, управляемого ИИ, зависит от качества, количества и разнообразия собираемых данных, что лишний раз подчеркивает важную роль в наличии/создании всеобъемлющей экосистемы данных, необходимых для реализации заложенного в ИИ потенциала. Такая экосистема надежных данных должна стать ядром цифровой трансформации (Рис.1) и позволит и дальше продвигать исследования ИИ и клинического ухода в ОИТ. Построение такой экосистемы требует отрытого сотрудничества между индустрией, исследователями и профессионалами здравоохранения [10]. Необходимо понимать, что без высококачественных данных прогрессирование ИИ невозможно. Часть достоверных данных может быть получена из автоматических систем, таких как прикроватные мониторы, инфузионные помпы и аппараты искусственной вентиляции легких. Необходимо стремиться к развертыванию стратегий автоматического сбора достоверных данных. Но это только лишь первый шаг. Эффективное хранение, в частности с использованием масштабируемых облачных решений, что облегчает машинное обучение на федерализированных данных, принимает критическое значение в связи с колоссальным ростом объема данных [11]. Полное раскрытие потенциала этих данных в целях широкого использования ИИ потребует предварительной обработки и интегрирования с другими источниками. Более того, создание наборов данных с открытым доступом, как это было сделано при создании «the Medical Information Mart for Intensive Care [MIMIC]», имеет критическое значение для поддержки исследований ИИ. Публично доступные наборы данных не только послужат движителями инноваций, но и позволят разработку новых методов, улучшающих сбор данных и их качество, а также помогут добавить уверенности в том, что алгоритмы ИИ могут продвигаться в различающихся системах здравоохранения [13].
ИИ может улучшить выявление и предотвращение ошибок в ОИТ. При этом успешность ИИ зависит от создания экосистемы надежных данных, что требует сотрудничества между индустрией, исследователями и профессионалами здравоохранения. Первыми, кто может оказать поддержку инновациям в медицине критических состояний, являемся мы, специалисты отделений интенсивной терапии просто потому, что на наших плечах лежит ответственность за сбор данных от каждого пациента, их хранение и использование. С другой стороны, технологии идут рука об руку с образованием и внедрением стратегий. Специалисты ОИТ нуждаются в базовом понимании науки о данных (data science) для ответственного применения технологий ИИ в своей ежедневной практике. Все эти усилия могут привести к безопасной и более эффективной среде в отделении интенсивной терапии и улучшить исходы у критически больных пациентов.

References
- Hodkinson A et al. (2020) Preventable medication harm across health care settings: a systematic review and meta-analysis. BMC Med 18(1).
- Shabani T, Jerie S, Shabani T (2023) A comprehensive review of the Swiss cheese model in risk management. Saf Extreme Environ 6(1):1–15. https:// doi. org/ 10. 1007/ s42797- 023- 00091-7
- Lainer M, Mann E, Sönnichsen A (2013) Information technology interven-tions to improve medication safety in primary care: a systematic review. Int J Qual Health Care 25(5):590–598
- Leung AA, Denham CR, Gandhi TK, et al. (2014) A safe practice standard for barcode technology. J Patient Saf 10. Epub ahead of print
- Giuliano KK (2018) Intravenous smart pumps: usability issues, intravenous medication administration error, and patient safety. Crit Care Nurs Clin North Am 30(2):215–224
- Chan J et al. (2024) Detecting clinical medication errors with AI enabled wearable cameras. NPJ Digital Med 7(1)
- Yoon JH, Pinsky MR, Clermont G (2022) Artificial intelligence in critical care medicine. Ann Update Intensive Care Emerg Med 2022:353–367
- Albanowski K, Burdick KJ, Bonafide CP, Kleinpell R, Schlesinger JJ (2023) Ten years later, alarm fatigue is still a safety concern. AACN Adv Crit Care 34(3):189–197
- Bonafide CP, Lin R, Zander M et al (2015) Association between exposure to nonactionable physiologic monitor alarms and response time in a children’s hospital: Monitor alarms and response time. J Hosp Med 10(6):345–351
- Mandl KD, Gottlieb D, Mandel JC (2024) Integration of AI in healthcare requires an interoperable digital data ecosystem. Nat Med 30(3):631–634
- van Genderen ME et al. (2024) Federated learning: a step in the right direction to improve data equity. Intensive Care Med 50(8): 1393–1394
- Johnson AEW, Bulgarelli L, Shen L et al (2023) MIMIC-IV, a freely accessible electronic health record dataset. Sci Data 10(1):1
- Gomes MAS, Kovaleski JL, Pagani RN, da Silva VL, Pasquini TC de S (2023) Transforming healthcare with big data analytics: technologies, tech-niques and prospects. J Med Eng Technol 47(1):1–11.
Источник: https://doi.org/10.1007/s00134-024-07775-z
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
