Υγεία

Οι γιατροί προτίμησαν τις περιλήψεις εξιτηρίου που δημιουργήθηκαν με ΤΝ στο 95% των περιπτώσεων, σύμφωνα με μελέτη του Stony Brook

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Clinician reviewing an AI-assisted hospital discharge draft — AI-generated editorial illustration

Οι γιατροί που αξιολόγησαν τις περιλήψεις εξιτηρίου προτίμησαν εκείνες που δημιουργήθηκαν με ΤΝ από τις αντίστοιχες που συνέταξαν άνθρωποι στο 95% των νοσηλειών που εξετάστηκαν σε μελέτη του Stony Brook University. Η αναδρομική ανάλυση επικεντρώθηκε σε 60 εισαγωγές στην Παθολογική, διάρκειας από επτά έως 21 ημέρες, κατά τις οποίες η παρατεταμένη θεραπεία και ο μεγάλος όγκος κλινικών σημειώσεων καθιστούν ιδιαίτερα απαιτητική τη μετάβαση στην εξωνοσοκομειακή περίθαλψη.

Τα ευρήματα, που δημοσιεύτηκαν στο npj Digital Medicine, υποδηλώνουν ότι τα μεγάλα γλωσσικά μοντέλα θα μπορούσαν να βοηθήσουν τους κλινικούς γιατρούς να συντάσσουν πληρέστερα και χρηστικότερα έγγραφα εξιτηρίου. Δείχνουν επίσης γιατί η επαλήθευση από άνθρωπο παραμένει απαραίτητη: τόσο οι περιλήψεις που δημιουργήθηκαν με ΤΝ όσο και εκείνες που συνέταξαν άνθρωποι περιείχαν σφάλματα, ενώ οι υψηλότερες βαθμολογίες δεν τεκμηρίωσαν καλύτερες εκβάσεις για τους ασθενείς.

Γιατί οι περιλήψεις εξιτηρίου αποτελούν δύσκολη εργασία για την ΤΝ

Η περίληψη εξιτηρίου συνδέει τη φροντίδα που παρασχέθηκε στο νοσοκομείο με τους κλινικούς γιατρούς που είναι υπεύθυνοι για τη συνέχεια της περίθαλψης. Πρέπει να εξηγεί τον λόγο της εισαγωγής, την πορεία της θεραπείας, τις αλλαγές στην αγωγή, τα προβλήματα που δεν έχουν επιλυθεί και το σχέδιο παρακολούθησης. Για έναν γιατρό πρωτοβάθμιας φροντίδας, μια ελλιπής εξήγηση ή ένα ασαφές επόμενο βήμα μπορεί να σημαίνει ότι θα χρειαστεί να ανασυνθέσει την πορεία νοσηλείας από έναν πολύ μεγαλύτερο φάκελο.

Οι μεγαλύτερης διάρκειας νοσηλείες επιτείνουν αυτό το πρόβλημα. Οι πληροφορίες συσσωρεύονται σε σημειώσεις προόδου, γνωματεύσεις, απεικονιστικές εξετάσεις και άλλα έγγραφα, συχνά με επαναλήψεις και αλλαγές στο σχέδιο θεραπείας. Μια χρήσιμη περίληψη πρέπει να διατηρεί την τελική κλινική εικόνα και παράλληλα να εξηγεί πώς εξελίχθηκαν οι αποφάσεις.

Η προσέγγιση του Stony Brook σχεδιάστηκε σε συνεργασία με κλινικούς γιατρούς, με γνώμονα τις πληροφορίες που χρειάζονται οι γιατροί που αναλαμβάνουν την περίθαλψη στη συνέχεια. Σύμφωνα με το πανεπιστήμιο, το σύστημα οργάνωνε τους φακέλους των ασθενών σε προσχέδια περιλήψεων εξιτηρίου μέσα σε λίγα λεπτά. Αυτό αφορά τον χρόνο δημιουργίας· ο αντίκτυπος στον συνολικό χρόνο που χρειάζονται οι γιατροί για την τεκμηρίωση και την επαλήθευση πρέπει ακόμη να δοκιμαστεί στην κλινική πράξη.

Σε ποιες πτυχές έδωσαν υψηλότερη βαθμολογία οι γιατροί

Στη μελέτη συμμετείχαν νοσοκομειακοί γιατροί και γιατροί πρωτοβάθμιας φροντίδας, οι οποίοι αξιολόγησαν τις περιλήψεις. Οι αξιολογητές βαθμολόγησαν υψηλότερα τις περιλήψεις ΤΝ ως προς τη συνολική ποιότητα, την αναγνωσιμότητα και τη συντομία, την ακρίβεια των πραγματικών στοιχείων και την πληρότητα. Εντόπισαν επίσης λιγότερες παραλείψεις κλινικών λεπτομερειών.

Στην παρεχόμενη κλίμακα αξιολόγησης πέντε βαθμών, οι περιλήψεις ΤΝ είχαν μέσο όρο 4,71 ως προς τη συνολική ποιότητα, έναντι 3,16 για τις περιλήψεις που συνέταξαν άνθρωποι. Ο μέσος όρος για την ακρίβεια των πραγματικών στοιχείων ήταν 4,62 έναντι 3,73, ενώ για την πληρότητα ήταν 4,69 έναντι 3,42. Πρόκειται για βαθμολογίες που έδωσαν γιατροί και όχι για ποσοστά δηλώσεων που αποδείχθηκαν σωστές.

Βαθμολογίες γιατρών σε κλίμακα από ένα έως πέντε, με σύγκριση περιλήψεων εξιτηρίου που συνέταξαν άνθρωποι και περιλήψεων που δημιουργήθηκαν με ΤΝ· οι μέσες βαθμολογίες των περιλήψεων ΤΝ ήταν υψηλότερες και στους επτά δείκτες που παρουσιάζονται.
Βαθμολογίες γιατρών για περιλήψεις εξιτηρίου που συνέταξαν άνθρωποι και περιλήψεις που δημιουργήθηκαν με ΤΝ. Οι περιλήψεις ΤΝ συγκέντρωσαν υψηλότερη βαθμολογία σε όλους τους δείκτες που παρουσιάζονται. Πηγή: Fusheng Wang, Stony Brook University.

Το γράφημα παρουσιάζει 120 αξιολογήσεις ανά τύπο περίληψης για τους συνδυασμένους δείκτες των νοσοκομειακών γιατρών και των γιατρών πρωτοβάθμιας φροντίδας, καθώς και 60 ανά τύπο για τις ερωτήσεις που αφορούσαν ειδικά την πρωτοβάθμια φροντίδα. Οι γιατροί πρωτοβάθμιας φροντίδας βαθμολόγησαν υψηλότερα τις περιλήψεις ΤΝ ως προς την κατανόηση της νοσηλείας, την εξήγησή της στους ασθενείς και τους φροντιστές τους, καθώς και την υποστήριξη της μετέπειτα φροντίδας.

Οι διαφορές αυτές έχουν σημασία, επειδή το άτομο που συντάσσει μια περίληψη εξιτηρίου και το άτομο που ενεργεί με βάση αυτήν έχουν διαφορετική οπτική. Ένα έγγραφο μπορεί να περιγράφει διεξοδικά τα συμβάντα κατά τη νοσηλεία, αλλά και πάλι να αφήνει τον γιατρό που αναλαμβάνει τον ασθενή με αμφιβολίες για ζητήματα που εκκρεμούν ή για το σκεπτικό μιας αλλαγής στην αγωγή.

Πώς η διαδικασία σύνοψης διαχειρίζεται τους εκτενείς φακέλους

Η δημόσια δημοσίευση του κώδικα από τους ερευνητές παρέχει περισσότερα στοιχεία για την τεχνολογία. Η εξαγόμενη διαδικασία LangChain/LangGraph ομαδοποιεί τις σημειώσεις χρονολογικά, δημιουργεί μια δομημένη περίληψη και βελτιώνει το προσχέδιο καθώς επεξεργάζεται επιπλέον τμήματα. Σε ξεχωριστό στάδιο, εξάγονται τυχαία ευρήματα από σημειώσεις που έχουν επισημανθεί, προτού διαμορφωθεί το τελικό κείμενο.

Αυτή η προσέγγιση σε διαδοχικά στάδια αντιμετωπίζει έναν πρακτικό περιορισμό των γλωσσικών μοντέλων: ένας εκτενής κλινικός φάκελος μπορεί να υπερβαίνει τον όγκο κειμένου που μπορεί να επεξεργαστεί ένα μοντέλο σε μία μόνο προσπάθεια. Η διατήρηση ενός δομημένου προσχεδίου επιτρέπει σε διαδοχικά τμήματα του φακέλου να συμβάλλουν στο τελικό αποτέλεσμα.

Η δημόσια εξαγωγή καταγράφει επίσης αναγνωριστικά των πηγών και παράγει μεταδεδομένα παραπομπών μαζί με δομημένα αποτελέσματα και αφηγηματικά κείμενα. Περιλαμβάνει συνθετικά δεδομένα επίδειξης, ενώ το αποθετήριο παρέχει για ανάλυση αποταυτοποιημένα αποτελέσματα αξιολογήσεων και επισημάνσεις σφαλμάτων. Έτσι διευκολύνεται η εξέταση της ροής εργασιών χωρίς να δημοσιοποιούνται οι αρχικοί φάκελοι των ασθενών.

Οι λιγότερες παραλείψεις δεν εξαλείφουν τον κλινικό κίνδυνο

Σύμφωνα με την περίληψη της δημοσιευμένης μελέτης, ο μικρότερος αριθμός επισημασμένων ανακριβειών ή παραλείψεων οφειλόταν κυρίως στις λιγότερες παραλείψεις. Η μελέτη δεν αναφέρει στατιστικά σημαντική διαφορά μεταξύ των δύο τύπων περιλήψεων ως προς τις εκτιμήσεις των αξιολογητών για τη σοβαρότητα ή την πιθανότητα βλάβης λόγω σφάλματος.

Το εύρημα αυτό δεν αποδεικνύει ότι οι δύο προσεγγίσεις έχουν πανομοιότυπο επίπεδο ασφάλειας ούτε ότι ένα προσχέδιο ΤΝ είναι έτοιμο να ενταχθεί στον φάκελο ασθενούς χωρίς έλεγχο. Η αξιολόγηση αφορούσε έγγραφα και κρίσεις γιατρών· δεν έδειξε ότι μειώθηκαν οι επανεισαγωγές, οι βλάβες που σχετίζονται με τη φαρμακευτική αγωγή ή άλλες δυσμενείς εκβάσεις για τους ασθενείς.

Οι συγγραφείς τονίζουν ότι οι γιατροί πρέπει να επαληθεύουν τα στοιχεία πριν από τη χρήση. Οι οδηγίες για τη φαρμακευτική αγωγή, τα εκκρεμή ιατρικά ζητήματα και οι συστάσεις για παρακολούθηση της πορείας του ασθενούς αποτελούν βασικά στοιχεία του σκοπού του εγγράφου και παραμένουν κρίσιμα σημεία στα οποία μπορεί να προκύψει σφάλμα ή παράλειψη.

Τι προηγείται της συνήθους κλινικής χρήσης

«Τα αποτελέσματα αυτά τεκμηριώνουν ότι η τεχνητή νοημοσύνη μπορεί να υποστηρίξει τη σύνταξη εγγράφων εξιτηρίου για σύνθετες νοσηλείες», δήλωσε η Rachel Wong, MD, συνυπεύθυνη συγγραφέας αλληλογραφίας και κλινική αναπληρώτρια καθηγήτρια στο Stony Brook, σύμφωνα με ανακοίνωση του πανεπιστημίου.

Ο συνυπεύθυνος συγγραφέας αλληλογραφίας Fusheng Wang, PhD, δήλωσε ότι τα επόμενα ερευνητικά βήματα περιλαμβάνουν την αξιολόγηση της ακρίβειας, της ασφάλειας, της πραγματικής εξοικονόμησης χρόνου για τους γιατρούς και της καταλληλότητας για τις κλινικές ροές εργασίας. Σύμφωνα με το πανεπιστήμιο, εξετάζεται το ενδεχόμενο πιλοτικής εφαρμογής στην καθημερινή κλινική πρακτική του Stony Brook Medicine.

Το διεπιστημονικό έργο, με επικεφαλής τον Tyler Osborne, υποψήφιο διδάκτορα στην επιστήμη των υπολογιστών, συγκεντρώνει γιατρούς, επιστήμονες υπολογιστών, ειδικούς στη βιοϊατρική πληροφορική και τεχνογνωσία στον τομέα της επικοινωνίας. Η μελέτη παρέχει ενθαρρυντικά στοιχεία για τη σύνταξη σύνθετων εγγράφων εξιτηρίου υπό την επίβλεψη κλινικών γιατρών. Για να διαπιστωθεί πώς αυτό μπορεί να μεταφραστεί σε αξιόπιστη καθημερινή χρήση, πρέπει να αξιολογηθεί η διαδικασία ελέγχου παράλληλα με το παραγόμενο κείμενο.

Η Lila Rowan είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στη Unite.AI, που καλύπτει το σημείο τομής της τεχνητής νοημοσύνης, της υγείας και της ψυχικής ευεξίας. Η εργασία της εστιάζει στο πώς τα εργαλεία που λειτουργούν με AI βελτιώνουν τη διάγνωση, διευρύνουν την πρόσβαση στη φροντίδα και υποστηρίζουν τις υπηρεσίες ψυχικής υγείας με τρόπο που συμπληρώνει και δεν αντικαθιστά τους ανθρώπινους κλινικούς.
Με μια συμπονετική και τεκμηριωμένη οπτική, η Lila εξετάζει κλινικές μελέτες, πραγματικές αναπτύξεις και αναδυόμενες τεχνολογίες υγείας μέσα από έναν ανθρωπιστικό φακό. Ενδιαφέρεται ιδιαίτερα για τις εφαρμογές της AI που μειώνουν τους φραγμούς πρόσβασης, ενισχύουν την πρώιμη ανίχνευση και υποστηρίζουν την ψυχική ευεξία ενώ σέβονται την ιδιωτικότητα, την ασφάλεια και τις ηθικές προδιαγραφές των ασθενών.
Τα άρθρα που γράφονται από την Lila Rowan δημιουργούνται από AI και ελέγχονται από την συντακτική ομάδα της Unite.AI για να διασφαλιστεί η ακρίβεια, η ευαισθησία και η υπεύθυνη αναφορά για τις τεχνολογίες υγείας και ψυχικής ευεξίας.