研究人员开发了一款 AI 赋能的工具，可以分析护士的轮班笔记，从而比传统方法更早地识别入院患者的健康状况可能恶化或处于“崩溃”的边缘
在早期试验中，名为“关注早期警报系统 ( CONCERN EWS) ”的 AI 工具帮助将患者的死亡风险降低了 35% 以上，同时将平均住院时间减少了半天以上。
从 2020 年到 2022 年，临床试验共涉及超过 6 万名患者，在部署 CONCERN EWS 的医院收治的患者中，毒症风险降低了 7.5%。如果广泛复制这些结果，可以为医院系统提供一种可靠的方法来改善患者的治疗效果，同时降低住院治疗的相关成本。
在 4 月份发表在《自然医学》 (Nature Medicine) 上的一项研究中，由哥伦比亚大学和宾夕法尼亚州大学的研究人员领导的 AI 背后的团队概述了机器学习算法如何优先考虑护士的敏锐医学观察。护士通常会频繁与患者互动，并且通常会发现患者健康状况中可能被忽视的细微但重要的变化。
CONCERN EWS 以一种意想不到的方式深入探讨了护士所看到的内容，以便做出准确且富有洞察力的预测。AI 理解自然语言，并能读取护士在患者电子健康记录 (EHR) 中记录的内容。但其主要创新是将与这些笔记关联的元数据点连接起来。
例如，护士可能会注意到患者的颜色略有变化，他们看起来昏昏欲睡，或者在认知上看起来不正常。因此，护士可能会增加对患者的检查频率，或者在患者看起来更健康之前暂停服用某些药物。关注 EWS 专注于护士做出的这些微观决策。
作为理解护士见解的代理，CONCERN EWS 会分析与每个 EHR 条目相关的元数据 (例如日期、时间和位置) ，寻找可能存在问题的模式。该系统会注意到护士评估患者的频率是否高于正常情况，以及这些就诊是否发生在午夜或其他罕见的时间。当系统发现令人震惊的模式时，它会提醒护理团队，患者的健康状况可能会恶化。
该研究的主要作者、哥伦比亚大学生物医学信息学和护理副教授 Sarah Rossetti 指出，通过护士的眼睛和记录仔细检查患者，ML 模型帮助将患者的住院时间平均减少了 11%。
研究人员使用 NVIDIA RTX A2000 12GB 显卡来开发其算法。
在临床试验期间，CONCERN EWS 已部署在马萨诸塞州和纽约两家医院系统的四家医院中。与传统方法相比，它能够帮助护理团队平均提前 42 小时发现问题迹象。这让团队能够更好地在患者的健康面临风险之前介入。
今年 5 月，这些喜人的成果帮助该研究团队赢得了美国护士基金会每年颁发的三项著名“Reimagining Nursing Initiative”奖项中的一项。每位获奖者将获得总计 150 万美元的部分资助。
Rossiti 表示，该团队由宾夕法尼亚州大学信息学教授 Kenrick Cato 共同领导，将利用其部分拨款与科罗拉多儿童医院合作，创建其当前模型的儿科版本，并在社区医院进行评估。
阅读有关 CONCERN EWS 的其他新闻报道或观看有关该技术的视频。
