一种人工智能（AI）模型通过将谵妄的检测和治疗率提高四倍，改善了住院患者的治疗效果。该模型能够识别出高风险患者，并提醒经过专门培训的团队对患者进行评估并根据需要制定治疗计划。
这项由伊坎医学院西奈山分校的研究人员开发的模型已经整合到医院的运营中，帮助医疗保健提供者识别和管理谵妄。谵妄是一种可能导致多达三分之一住院患者出现的状况。
这项研究首次表明，基于人工智能的谵妄风险分配模型不仅在实验室环境中表现出色，而且在临床实践中也能带来实际的好处。该研究发表在《JAMA Network Open》上，论文题目为“用于谵妄风险分层的机器学习多模态模型”。
谵妄是一种突然且严重的意识混乱状态，具有致命风险，常常在住院患者中被忽视。如果不进行治疗，它可能会延长住院时间，增加死亡风险，并恶化长期预后。研究人员表示，直到现在，基于人工智能的谵妄预测模型尚未显示出在患者护理方面的实质性改进。
“我们在西奈山开展这项研究的动机非常明确。目前基于人工智能的谵妄预测模型尚未显示出在患者护理方面的实际好处，”该研究的资深通讯作者、西奈山卫生系统谵妄服务创始人兼主任、伊坎医学院精神病学和神经科学教授约瑟夫·弗里德曼博士说。
“我们希望通过创建一个能够在实时准确计算谵妄风险并顺利融入临床工作流程的模型来改变这一现状，帮助医院工作人员发现并治疗更多可能被忽视的谵妄患者。”
研究团队从一开始就与西奈山的临床医生和医院工作人员密切合作，而不是孤立地构建一个人工智能模型并在之后在医院中进行测试。这种“垂直整合”的方法使他们能够实时完善模型，确保其在临床使用中既有效又实用。
当在西奈山部署时，该人工智能模型显著提高了谵妄的检测率，结果如下：
- 识别病例增加了400%，而筛查患者的时间没有增加
- 通过减少老年人潜在不适当药物的使用，实现了更安全的处方
- 在真实医院环境中表现出强大而可靠的效果
在这项涉及纽约市西奈山医院超过32,000名住院患者的研究中，研究人员使用人工智能模型分析了电子健康记录中的结构化数据和临床医生的笔记。
该模型利用机器学习来识别与高谵妄风险相关的病历数据模式，并应用自然语言处理技术来识别医院工作人员所写病历笔记中的语言模式。
这种方法捕捉到了工作人员对谵妄或高风险患者微妙的精神状态变化的观察。撰写笔记的个别工作人员可能并不知道他们的临床观察正在帮助提高人工智能模型的准确性。
值得注意的是，该模型在一个高度多样化的患者群体中进行了测试，这些患者患有各种各样的内科和外科疾病——远比通常用于基于机器学习的谵妄风险预测模型研究的狭窄群体更为广泛。
该工具显著提高了每月谵妄检测率——从4.4%提高到17.2%——从而允许更早的干预。被识别的患者还接受了较低剂量的镇静药物，这可能减少了副作用并改善了整体护理。
“我们的模型不是要取代医生——而是给他们一个强大的工具来简化他们的工作，”弗里德曼博士说。“通过分析大量患者数据，我们的机器学习方法使医疗保健提供者能够更有效地诊断和治疗患者，更加精确。”
虽然该人工智能模型在西奈山医院取得了显著成果，并且正在其他西奈山地点进行测试，但还需要在其他医院系统中进行验证，以评估其在不同环境中的表现并进行必要的调整。
“这项研究表明，通过将基于人工智能的临床决策支持纳入医院运营，我们正在取得巨大的进步。我们通过在正确的时间将正确的团队带到正确的患者身边，提供量身定制的专业护理，从而提高患者的安全性和治疗效果，”该研究的共同作者、西奈山卫生系统首席临床官兼西奈山医院院长大卫·L·赖希博士说。
“要成为一个学习型医疗系统，我们必须继续这条发展、测试、部署和微调无缝集成到医疗工作流程中的人工智能工具的道路。此前，我们发现基于人工智能的临床决策支持在解决营养不良和临床恶化方面有效，西奈山通过使用实时人工智能警报预测健康状况下降，加速了治疗并减少了医院死亡人数。”
(全文结束)
