報道，研究工作人員可以表示，（vital signs monitor）利用進行深度合作學習來預測分析病人睡眠時的生命體征，可以使病人更健康，減少護士的職業教育倦怠。任何在醫院過夜的人都知道，護士會定期參與進來，叫醒你，檢查你的生命體征。雖然因為這是通過收集一些必要的信息，但 Feinstein研究所的一個企業團隊管理表示，隔夜幹擾問題可能弊大於利，會造成學生認知功能障礙、高血壓、額外的壓力和其他對患者的負面因素影響--更不用說增加導致護士的工作了。
為了能夠找到一個更好的方法，該團隊進行研究了2012年至2019年期間從紐約Northwell Health醫院的患者自己身上可以采集的生命體征以及測量系統數據。收集的數據主要包括通過呼吸運動頻率、心率、收縮壓、體溫和不同年齡。該研究共檢查了2430萬次生命體征測量技術數據，來自213萬名患者提供就診。
利用這些信息，研究小組開發了一種深度學習的預測性臨床工具，該工具使用人工智能來預測患者的夜間穩定性，從而消除了多重生命檢查的需要。這項研究發表在周五的同行評審期刊《數字醫學》上，發現在10000名留院觀察的病人中，只有兩人被艾未未誤判。該小組補充說，這些錯誤的分類可以很容易地解決護士在典型查房。
“休息是病人護理的一個關鍵因素，有充分的證據表明睡眠中斷是一種常見的抱怨，可能會延遲出院和康複,”費恩斯坦研究所生物醫學研究助理教授、研究小組組長 theodoros zanos 在一份新聞稿中說。Zanos 指出，研究小組的發現突出了基於機器學習的解決方案的安全性和准確性。
除了幫助病人睡得更好，人工智能還可以幫助負擔過重的護士和醫院工作人員。根據這個團隊的說法，護士花費20% 到35% 的時間記錄生命體征，大約10% 的輪班時間收集生命體征——他們必須平均每4到5個小時收集一個病人的生命體征。研究人員說，人工智能可能意味著護士在上夜班時減少20-25% 的工作量。
文章精選：
留言列表
