Araştırmacılar, makine öğrenimi yöntemlerini ve hastalar hastaneye girdiğinde mevcut verileri kullanarak felçleri mevcut modellerden daha doğru tahmin eden bir model geliştirdiler.
Carnegie Mellon Üniversitesi, Florida Uluslararası Üniversitesi ve Santa Clara Üniversitesi’nden ekip çalışmalarını bu yılın başlarında Journal of Medical Internet Research’te yayınladı.
2012’den 2014’e kadar Florida akut bakım hastanelerindeki hastaların 143.000’den fazla hastane ziyaretini ve ABD Sayım Bürosu’nun Amerikan Topluluğu Araştırmasından alınan – insanların doğduğu ve içinde yaşadığı koşullar ve bu koşulları yönlendiren şeyler dahil olmak üzere – sağlık verilerinin sosyal belirleyicilerini incelemek , çalışmanın yazarları bir inme-tahmin algoritması geliştirmeye çalıştı.
Modelleri, temel demografik bilgiler, kronik durumların sayısı ve sigorta dahil olmak üzere sağlık hizmeti sağlayıcıları ve ödeme yapanlar tarafından rutin olarak toplanan değişkenleri içeriyordu.
SAĞLIK HİZMETİ SAĞLAYICILARI İÇİN CHATGPT: AI CHATBOT PROFESYONELLERİN İŞLERİNİ KOLAYLAŞTIRABİLİR Mİ?
Bir öğrenci, Carnegie Mellon Üniversitesi kampüsündeki The Cut’ta yürüyor. (Katherine Frey/Getty Images aracılığıyla The Washington Post)
Yazarlar, modelin vuruşları tahmin etmede %84 kesinliğe sahip olduğunu ve vuruşların %30’unu kaçıran mevcut ölçeklerden daha iyi performans gösterdiğini söyledi.
Yazarlar, modelin kullanılmasının, hastaların demografik bilgilerine ve giriş sırasında mevcut olan sağlığın sosyal belirleyicilerine dayanarak – herhangi bir bilgi edinmeden önce – hastaneye başvuru sırasında bir hastanın durumunun inme olma olasılığını tahmin etmenin mümkün olduğunu öne sürdüğünü söylediler. tanısal görüntüleme veya laboratuvar test sonuçları.
Çalışmanın geriye dönük olması, inme vakalarını doğrulamanın Uluslararası Hastalık Sınıflandırması kodlarına dayanması ve hasta kayıtlarının gözden geçirilmesini içermemesi ve idari verilerde bulunan sağlık değişkenlerinin sosyal belirleyicileri dahil olmak üzere çalışmanın bazı sınırlamaları vardı.
Ayrıca, algoritmalarının inme teşhisinde altın standart olarak değil, hastanelerde kullanılan mevcut inme skorlama sistemlerini tamamlayan bir model olarak değerlendirilmesi gerektiği konusunda uyardılar.
Miami’deki Florida International University (FIU) kampüsündeki öğrenciler, 9 Eylül 2021. (Getty Images aracılığıyla Eva Marie Uzcategui/Bloomberg)
CHATGPT VE SAĞLIK BAKIMLARI: AI CHATBOT HASTA DENEYİMİNİ DEĞİŞTİREBİLİR Mİ?
Carnegie Mellon’s Heinz College’da yönetim bilimi ve sağlık bilişimi mütevellisi profesörü Rema Padman, “Klinik notlar ve tanısal görüntüleme sonuçları gibi ayrıntılı verileri yorumlayarak felç tespit etmeye yardımcı olmak için makine öğrenimi yöntemleri kullanıldı” dedi. . “Fakat bu tür bilgiler, özellikle kırsal kesimde ve yetersiz hizmet alan topluluklarda, hastane acil servislerinde hastalar başlangıçta triyaja tabi tutulduğunda kolayca elde edilemeyebilir.”
Felç, en tehlikeli ve sıklıkla yanlış teşhis konulan tıbbi durumlar arasında yer alıyor; Siyahi ve Hispanik insanlar, kadınlar, Medicare kullanan yaşlılar ve kırsal bölgelerdekilere tedavinin etkili olması için zamanında teşhis konma olasılığı daha düşük.
San Jose, California yakınlarındaki Santa Clara Cizvit Üniversitesi kampüsü. (Getty Images aracılığıyla Nik Wheeler/Corbis)
İnmeyi teşhis etmek, ona benzeyen çok sayıda koşul nedeniyle genellikle zordur.
Hastalık Kontrol ve Önleme Merkezleri, inmenin ABD’de önde gelen bir ölüm nedeni ve yetişkinler için ciddi bir sakatlık nedeni olduğunu belirtmektedir. Ayrıca önlenebilir ve tedavi edilebilir.
HABERLER SUNULDU
Bir şey beynin bir kısmına kan akışını engellediğinde veya beyindeki bir kan damarı patladığında inme meydana gelir. Her iki durumda da beynin bazı bölümleri hasar görür veya ölür.
ABD’de her 40 saniyede bir kişi felç geçiriyor ve her 3,5 dakikada bir kişi felç geçirerek ölüyor.
Her yıl ABD’de yaklaşık 800.000 kişi felç geçiriyor.
Julia Musto, Haberler ve Fox Business Digital için bir muhabirdir.
Carnegie Mellon Üniversitesi, Florida Uluslararası Üniversitesi ve Santa Clara Üniversitesi’nden ekip çalışmalarını bu yılın başlarında Journal of Medical Internet Research’te yayınladı.
2012’den 2014’e kadar Florida akut bakım hastanelerindeki hastaların 143.000’den fazla hastane ziyaretini ve ABD Sayım Bürosu’nun Amerikan Topluluğu Araştırmasından alınan – insanların doğduğu ve içinde yaşadığı koşullar ve bu koşulları yönlendiren şeyler dahil olmak üzere – sağlık verilerinin sosyal belirleyicilerini incelemek , çalışmanın yazarları bir inme-tahmin algoritması geliştirmeye çalıştı.
Modelleri, temel demografik bilgiler, kronik durumların sayısı ve sigorta dahil olmak üzere sağlık hizmeti sağlayıcıları ve ödeme yapanlar tarafından rutin olarak toplanan değişkenleri içeriyordu.
SAĞLIK HİZMETİ SAĞLAYICILARI İÇİN CHATGPT: AI CHATBOT PROFESYONELLERİN İŞLERİNİ KOLAYLAŞTIRABİLİR Mİ?
Bir öğrenci, Carnegie Mellon Üniversitesi kampüsündeki The Cut’ta yürüyor. (Katherine Frey/Getty Images aracılığıyla The Washington Post)
Yazarlar, modelin vuruşları tahmin etmede %84 kesinliğe sahip olduğunu ve vuruşların %30’unu kaçıran mevcut ölçeklerden daha iyi performans gösterdiğini söyledi.
Yazarlar, modelin kullanılmasının, hastaların demografik bilgilerine ve giriş sırasında mevcut olan sağlığın sosyal belirleyicilerine dayanarak – herhangi bir bilgi edinmeden önce – hastaneye başvuru sırasında bir hastanın durumunun inme olma olasılığını tahmin etmenin mümkün olduğunu öne sürdüğünü söylediler. tanısal görüntüleme veya laboratuvar test sonuçları.
Çalışmanın geriye dönük olması, inme vakalarını doğrulamanın Uluslararası Hastalık Sınıflandırması kodlarına dayanması ve hasta kayıtlarının gözden geçirilmesini içermemesi ve idari verilerde bulunan sağlık değişkenlerinin sosyal belirleyicileri dahil olmak üzere çalışmanın bazı sınırlamaları vardı.
Ayrıca, algoritmalarının inme teşhisinde altın standart olarak değil, hastanelerde kullanılan mevcut inme skorlama sistemlerini tamamlayan bir model olarak değerlendirilmesi gerektiği konusunda uyardılar.
Miami’deki Florida International University (FIU) kampüsündeki öğrenciler, 9 Eylül 2021. (Getty Images aracılığıyla Eva Marie Uzcategui/Bloomberg)
CHATGPT VE SAĞLIK BAKIMLARI: AI CHATBOT HASTA DENEYİMİNİ DEĞİŞTİREBİLİR Mİ?
Carnegie Mellon’s Heinz College’da yönetim bilimi ve sağlık bilişimi mütevellisi profesörü Rema Padman, “Klinik notlar ve tanısal görüntüleme sonuçları gibi ayrıntılı verileri yorumlayarak felç tespit etmeye yardımcı olmak için makine öğrenimi yöntemleri kullanıldı” dedi. . “Fakat bu tür bilgiler, özellikle kırsal kesimde ve yetersiz hizmet alan topluluklarda, hastane acil servislerinde hastalar başlangıçta triyaja tabi tutulduğunda kolayca elde edilemeyebilir.”
Felç, en tehlikeli ve sıklıkla yanlış teşhis konulan tıbbi durumlar arasında yer alıyor; Siyahi ve Hispanik insanlar, kadınlar, Medicare kullanan yaşlılar ve kırsal bölgelerdekilere tedavinin etkili olması için zamanında teşhis konma olasılığı daha düşük.
San Jose, California yakınlarındaki Santa Clara Cizvit Üniversitesi kampüsü. (Getty Images aracılığıyla Nik Wheeler/Corbis)
İnmeyi teşhis etmek, ona benzeyen çok sayıda koşul nedeniyle genellikle zordur.
Hastalık Kontrol ve Önleme Merkezleri, inmenin ABD’de önde gelen bir ölüm nedeni ve yetişkinler için ciddi bir sakatlık nedeni olduğunu belirtmektedir. Ayrıca önlenebilir ve tedavi edilebilir.
HABERLER SUNULDU
Bir şey beynin bir kısmına kan akışını engellediğinde veya beyindeki bir kan damarı patladığında inme meydana gelir. Her iki durumda da beynin bazı bölümleri hasar görür veya ölür.
ABD’de her 40 saniyede bir kişi felç geçiriyor ve her 3,5 dakikada bir kişi felç geçirerek ölüyor.
Her yıl ABD’de yaklaşık 800.000 kişi felç geçiriyor.
Julia Musto, Haberler ve Fox Business Digital için bir muhabirdir.