Yeşil İdrar: Nedenleri ve Önemli Bilgiler

Yapay zeka acil tıp alanında nasıl ilerleme sağlayabilir? Mevcut duruma bir bakış

OpenAI’nin ChatGPT’yi duyurmasının üzerinden neredeyse iki yıl geçti, yapay zekanın (AI) yeteneklerini kamuoyunun ilgi odağı haline getirdi ve AI’yı bilgisayar işletim sistemlerinden film yazımına, arabada yemek siparişine kadar hemen hemen her alana dahil etmek için teknolojik bir yarış başlattı. Heyecanın ötesinde, büyük AI modelleri dikkat edilmesi gereken önemli hatalara sahiptir. En önemlisi, çıktılarının kalitesi doğrudan eğitim verilerinin kalitesiyle bağlantılıdır ve burada her zaman önyargı riski vardır. ChatGPT gibi sohbet robotları zaman zaman ‘halüsinasyon’ görebilir; yani hiçbir zaman eğitilmediği halde yanlış bilgiler uydurabilir.

Bu yazıda, acil tıp alanında hızla gelişen yapay zekanın dört temel uygulamasını inceleyeceğiz.

1. Departman operasyonlarını ve yönetimini geliştirmek,
2. Sınıflandırma ve dokümantasyon,
3. Yapay Zeka Tabanlı Klinik Karar Destek Sistemleri
4. EM Araştırmalarında Verimliliğin Artırılması

Looking for a further introduction to AI before diving in? Check out this previous CanadiEM HiQuiPs article here!

1) Acil Servis (ED) İşlemleri ve Yönetimi:

Acil servislerdeki aşırı kalabalıklık ve yatakların tıkanması, Kanada sağlık sisteminde giderek artan bir sorun haline gelmiştir ve bu durum hasta bakımında gecikmeler, tıbbi hatalar ve artan ölüm oranları gibi risklere yol açmaktadır. Acil Servis hacmini tahmin etmek, birden fazla faktörün karmaşık etkileşimi göz önüne alındığında zor bir görevdir ve acil servis kullanımındaki artışlara uyum sağlamak için personel planları geliştirmeyi zorlaştırır. Ancak, yapay zekâ algoritmaları tahminleri iyileştirmede umut verici bir rol oynayabilir.

Örneğin, Fralick ve arkadaşları Ontario’daki üç hastaneden alınan verileri kullanarak bir çalışma yürüttüler ve bu çalışmada hava durumu, hasta yoğunluğu ve geçmiş acil servis hacimleri gibi değişkenleri kullanarak acil servis hasta hacimlerini tahmin etmek için bir yapay zekâ modeli geliştirdiler. İleriye dönük verilerle doğrulanan model, günlük hasta sayıları 107 ile 273 arasında değiştiğinde, hasta geliş hacimlerini 72 saat önceden tahmin etmede %94’lük bir doğruluk elde etti. Acil servis hasta hacimlerini doğru bir şekilde tahmin etme yeteneğiyle hastaneler, özellikle personel açısından acil servis kaynak tahsisini optimize etmeyi düşünebilirler.

2) Sınıflama ve Dokümantasyon:

Doğal dil işleme (NLP), bilgisayarların insan dilini yararlı bir şekilde nasıl analiz ettiğini, işlediğini ve anlam çıkardığını ifade eden bir AI alt kümesidir. Sonuç olarak, insan dilinin bu anlayışını alıp kendi anlayışını üretebilen AI modelleri olan dil öğrenme modelleri (LLM’ler) geliştirilmiştir. Muhtemelen bu yeteneğin ilkel bir versiyonunu Google Home, Amazon Alexa veya Apple’ın Siri’si aracılığıyla deneyimlediniz. NLP’ler ve LLM’ler, acil servis çalışmalarını iki önemli şekilde kolaylaştırmaya yardımcı olabilir: sınıflandırma ve dokümantasyon.

Sıralamaya gelince hem yapılandırılmış hem de serbest metin verilerini analiz eden NLP modelleri, yüksek akutluktaki hastaları belirleme ve sıraya koymada yüksek doğruluk göstermiştir. Wang ve diğerleri, “DeepTriager” modelini kullanarak Acil Durum Ciddiyet Endeksini tahmin etmede en büyük performans tutarlılığını elde etmiştir. Kim ve arkadaşları, otomatik olarak yazıya geçirilen bir triyaj diyaloğundan bir triyaj kategorisi atamada DeepTriager ile benzer bir doğruluk elde ettiler; bu doğruluk, insan tarafından yazıya geçirilen triyaj diyaloğu kullanılarak elde edilen performanstan yalnızca biraz daha düşüktü.

Dokümantasyon alanında, acil servis doktorları dokümantasyon için gereken süreyi azaltarak AI ile hasta hacimlerini artırabilirler. Birçok sağlık teknolojisi şirketi, ilk hasta değerlendirmesini dinleyerek NLP aracılığıyla otomatik olarak klinisyen notları üreten araçlar geliştirmiştir.

3) AI Tabanlı Klinik Karar Destek Sistemleri

Makine öğrenimi (ML), tahminlerde bulunmak veya kararlar almak için algoritmaları büyük miktarda veri üzerinde eğitmeyi içeren bir AI alt kümesidir. Acil Servis ‘de ML, ilgi duyulan sonuçlar için riski sınıflandırmaya yardımcı olmak üzere klinik hasta verilerinin büyük veri kümelerini analiz edebilir. Bu öngörücü yetenek, acil servis  doktorlarının karar alma süreçlerine yardımcı olabilir ve ihtiyaçları ve olası komplikasyonları tahmin etmeye yardımcı olarak hasta bakımını iyileştirebilir.

Örneğin, Hsu ve arkadaşları tarafından yapılan bir çalışmada, hiperglisemi kriziyle acil servise başvuran hastalarda istenmeyen sonuçları tahmin etmek için ML kullanımı incelenmiştir. Hiperglisemi krizi olan 2.666 acil servis  hastası, sepsis, yoğun bakım ünitesine yatış ve mortaliteyi tahmin etmek için AI modelleri kullanılarak analiz edildi. Tıbbi kayıtlarından 22 özellik kullanılarak, model sepsis, yoğun bakım ünitesine yatış ve her nedene bağlı mortaliteyi etkili bir şekilde tahmin edebildi. Hastane bilgi sistemiyle entegre edildiğinde, araç ayrıca mortaliteyi tahmin etmede standart Hiperglisemi Ölümünü Tahmin Etme puanını da geride bıraktı.

4) EM Araştırmalarında Verimliliğin Artırılması

NLP’ler ve LLM’ler acil servislerdeki araştırmaları önemli ölçüde etkilemiş, araştırma tabanlı görevlerde verimliliği ve doğruluğu artırmıştır. Örneğin, sistematik incelemelerde, birkaç girişim, önceden tanımlanmış kriterlere göre ilgili çalışmaları belirlemek için büyük miktarda literatürü hızla analiz ederek çalışma taramasını ve veri çıkarımını kolaylaştırabilen NLP’ler geliştirmeye başlamıştır. Bu da grafik incelemeleri için kullanılmış, kâğıt tarama için %96’ya kadar doğruluk ve veri çıkarma için %98 doğruluk elde edilmiştir. İlk denemelerde, bu araçlar manuel insan incelemecilere göre %13-26’ya kadar daha fazla veriyi tarayıp çıkarabilmiştir!

5) Zorluklar, Sınırlamalar ve Gelecekteki Yönler

Yapay zekanın klinik ortamda uygulanmasındaki temel zorluklardan bazıları, hastaların verilerinin kullanımıyla ilgili onayı ve mevcut sistemik önyargıları sürdürerek eşitsiz hasta bakımına yol açabilen yapay zeka algoritmaları içindeki önyargı riskidir. Bir veri ihlali meydana gelirse veya bir hastanın bakımı yapay zeka tarafından olumsuz etkilenirse, sorumluluğun yapay zeka sistemi, geliştiricileri ve acil servis doktoru arasında nasıl yer aldığına dair zor bir soru ortaya çıkar. Yapay zeka hatalara karşı bağışık değildir ve herhangi bir yanıltıcı bilgi veya ‘halüsinasyon’ üretimi hasta güvenliğini ve klinik karar vermeyi tehlikeye atabilir, bu da sağlam doğrulama ve sürekli izleme ihtiyacını vurgular.

En önemlisi, acil servis  hekimleri ile AI algoritmaları arasında güvenin geliştirilmesi gerekiyor, bu da zaman ve AI’nın güvenliği ve etkinliğinin daha fazla gösterilmesini gerektirecektir. EM’deki AI’nın geleceği, veri gizliliği ve güvenliğinden ödün vermeden düşünceli uygulamaya dayanmaktadır. Disiplinler arası iş birliği, acil servis  hekimleri, etik uzmanları ve AI geliştiricilerinin AI’nın geliştirilmesini ve dağıtımını birlikte etkilemesiyle hayati önem taşımaktadır. Ek olarak, sağlık profesyonelleri için devam eden eğitim, AI’yı etkili bir şekilde kullanmak ve sınırlamalarını anlamak için donanımlı olduklarından emin olmak için hayati öneme sahiptir. Daha fazla araştırma bu zorlukları ele aldıkça, AI’nın EM’de kullanımı önümüzdeki yıllarda bakım sunumunun temel bir bileşeni haline gelecektir.

Gelecekte bizi neler bekliyor? Ne dersiniz?

This post was copyedited by Tim Zhang (@_timothyzhang) and was edited by Daniel Ting. Kaynak: https://canadiem.org/artificial-intelligence-emergency-medicine/