范德比尔特大学医学中心的一项新研究表明，人工智能有望帮助完善和定位无数的计算机化警报，以协助医生和其他团队成员进行日常临床决策。
这些弹出通知会向用户提供从药物禁忌症到患者护理文件中的空白等各种信息。但这些警报的排除标准和目标还不够，高达 90% 的警报被忽略，从而导致“警报疲劳”。从信息技术的角度来看，让人类专家来解决目标定位问题看起来缓慢、昂贵，而且有些碰运气。
“在医疗保健领域，大多数善意的自动警报都被忙碌的用户忽略了。这些警报有一个基本目的，但每个人都清楚需要改进它们，”生物医学助理教授、第一作者 Siru Liu 博士 说。 VUMC 信息学。
资深作者 、生物医学信息学教授、范德比尔特临床信息学中心主任 Adam Wright博士和一个研究小组 在 《美国医学信息学协会杂志》上报告了这项研究。
Liu 开发了一种机器学习方法来分析 VUMC 两年来用户与警报交互的数据。根据患者特征，模型可以准确预测用户何时会忽略特定警报。
然后，她使用各种流程和方法来深入了解预测模型，了解其推理，并生成警报逻辑的改进建议。这一步骤被称为可解释人工智能 (AIX)，涉及将模型的预测转换为解释用户何时不太可能接受警报的规则。例如，“如果 患者是临终关怀患者， 那么 用户不太可能接受乳腺癌筛查警报。”
在分析的 1,727 条建议中，发现 76 条与后来手动更新的 VUMC 警报相匹配，另外 20 条被发现与通过临床医生访谈确定的最佳实践相一致。作者计算出，这 96 条建议将消除研究中分析的近 300 万个警报中的 9.3%，从而在维护患者安全的同时减少破坏性弹出窗口。
刘说：“该模型的建议与临床医生手动调整警报逻辑的一致性强调了该技术在提高医疗保健质量和效率方面的强大潜力。” “我们的方法可以识别人工审查中忽略的领域，并将警报改进转化为持续学习的过程。”
她补充说，除了完善警报之外，该方法还发现了工作流程、教育或人员配置方面存在问题的情况。通过这种方式，该方法可能会更广泛地提高质量：“我们模型的透明度揭示了由于警报本身之外的下游问题而取消警报的场景。”
免责声明：本文由用户上传，如有侵权请联系删除！
