Bagaimana AI dapat menentukan pasien coronavirus mana yang membutuhkan rawat inap

Bagaimana AI dapat menentukan pasien coronavirus mana yang membutuhkan rawat inap

 

Bagaimana AI dapat menentukan pasien coronavirus mana yang membutuhkan rawat inap

Bagaimana AI dapat menentukan pasien coronavirus mana yang membutuhkan rawat inap

Ketika coronavirus novel (COVID-19) terus menyebar di seluruh dunia, pemerintah dan rumah sakit kewalahan dengan masuknya pasien. Dalam keadaan seperti itu, salah satu tantangan utama yang harus mereka tangani adalah mengelola sumber daya mereka dan mengembangkan strategi perawatan dan rawat inap yang dapat memprioritaskan pasien yang paling berisiko.

Ini adalah salah satu area di mana kecerdasan buatan dapat membantu, para ahli di Jvion percaya. Perusahaan, yang berspesialisasi dalam AI klinis, sedang melakukan proyek analisis data yang akan menginformasikan strategi kesiapan COVID-19 dan membantu rumah sakit mengambil pendekatan proaktif untuk mengelola populasi pasien dalam pengaturan rawat inap dan rawat jalan.

Jvion menggunakan algoritma pembelajaran mesin untuk menentukan faktor risiko sosial yang membuat orang lebih mungkin untuk tertular dan menyebarkan virus atau mendapatkan infeksi yang memerlukan rawat inap.

“Kami tahu dua hal hari ini: Pertama, proyeksi adalah bahwa pada titik tertentu sumber daya dan kapasitas rumah sakit akan melebihi permintaan, dan kedua, data klinis (tanda-tanda vital, rontgen, dll.) Adalah indikator yang buruk untuk hasil akhir pasien , ”John Frownfelter, MD, Kepala Informasi Medis di Jvion, mengatakan kepada TechTalks. “Pasien mana yang dapat melakukannya dengan baik di rumah, dan pasien mana yang kemungkinan tidak akan bertahan tidak peduli apa terapi yang ditawarkan adalah salah satu tantangan klinis yang lebih sulit. AI pasti dapat membantu dalam ruang ini. ”

AI Jvion akan membantu mengidentifikasi orang-orang yang tidak terinfeksi di komunitas yang berisiko mengalami penyakit parah. Organisasi perawatan kesehatan dapat menyarankan orang-orang ini untuk melakukan tindakan pencegahan lengkap untuk isolasi diri.

Baca: [Klaim bahwa AI mendeteksi coronavirus dalam sinar-X tidak meyakinkan para ahli medis]

 

“Karena rumah sakit dibanjiri pasien, orang-orang ini akan aman di rumah. Ini tidak bisa digeneralisasi sebagai

praktik bagi semua orang, tetapi bagi mereka yang berisiko paling tinggi itu bisa menyelamatkan jiwa, “kata Frownfelter.

Sudah ada beberapa upaya yang dilakukan untuk meningkatkan kecerdasan buatan dalam perang melawan coronavirus. Beberapa metode ini termasuk secara otomatis mengukur suhu orang di tempat-tempat umum, mendiagnosis infeksi COVID-19 dari pemindaian sinar-X dada, dan menggunakan algoritma pembelajaran mesin untuk memprediksi penyebaran virus.

Pendekatan Jvion membantu melengkapi upaya-upaya tersebut dengan menentukan tingkat risiko individu sambil menggunakan minimal atau tidak ada data klinis dan menggunakan informasi tingkat pasien yang terbatas yang tidak memerlukan peralatan medis khusus. Ini akan memungkinkan untuk memanfaatkan AI untuk mempelajari populasi besar dan menentukan pasien berisiko tinggi tanpa membanjiri pusat medis.

Analisis pendahuluan AI memeriksa data dari 2 juta pasien untuk menentukan faktor mana di antara ribuan faktor yang meningkatkan risiko tertular infeksi yang mengarah pada kerusakan organ akhir, seperti kegagalan pernapasan.

Seperti halnya penelitian lain tentang coronavirus, temuan ini menandai usia tua dan kondisi kronis sebagai faktor risiko utama untuk hasil yang buruk. Tetapi algoritma pembelajaran mesin juga mampu menemukan faktor risiko sosial, termasuk perjalanan panjang, tinggal di daerah perumahan padat seperti asrama kampus, menghadiri acara-acara publik dan berbelanja secara langsung.

Menemukan faktor risiko sosial dapat membuat perbedaan besar dalam menangani penyakit menular seperti

coronavirus baru. Studi menunjukkan bahwa dalam pandemi sebelumnya seperti H1N1 pada tahun 2009, faktor sosial berkontribusi terhadap hasil yang lebih buruk di antara populasi yang kurang beruntung secara sosial ekonomi.

Penentu sosial kesehatan (SDOH) lebih mudah diperoleh daripada informasi kesehatan individu, yang tunduk pada berbagai aturan dan peraturan privasi dan sering mempersulit pengembangan solusi perawatan kesehatan AI.

“Kami telah mengembangkan metode dan sumber daya untuk mengumpulkan semua data dengan cepat pada setiap individu. Selain itu, kami telah mengembangkan metode dan teknologi untuk menganalisis masyarakat, tanpa memiliki data pada masing-masing pasien, ”kata Frownfelter.

Peneliti Jvion pertama kali memperkenalkan metode mereka dalam sebuah makalah yang diterbitkan dalam The American Journal of Managed Care pada Januari. Pengambilalihan utama mereka adalah bahwa model pembelajaran mesin memungkinkan untuk memprediksi pemanfaatan rumah sakit dan unit gawat darurat secara individual menggunakan data yang tersedia untuk umum tentang faktor-faktor penentu sosial ekonomi perawatan dan data perilaku yang dibeli, tanpa memerlukan faktor risiko klinis.

Jvion juga telah meluncurkan Peta Kerentanan Komunitas COVID, alat gratis yang tersedia untuk umum yang

mengidentifikasi populasi yang kemungkinan akan mengalami hasil parah yang memerlukan rawat inap jika mereka tertular virus. Peta ini juga menunjukkan faktor sosial ekonomi dan lingkungan yang menempatkan pasien pada risiko yang lebih besar.

Sumber:

https://ngelag.com/seva-mobil-bekas/