Yapay zeka ve makine öğrenimi, hasta verilerinin kilidini açmanın ve sağlık hizmetlerinin en karmaşık sorunlarından bazılarını çözmenin anahtarıdır.
ABD, COVID-19 salgınını dikiz aynasına koymaya çalışsa bile, ilk hastalıktan kurtulan pek çok kişi, özellikle altta yatan sağlık sorunları olanlar olmak üzere, zayıflatıcı uzun vadeli sağlık etkilerinden muzdariptir.
Teknoloji, veri gizliliğinden veya bütünlüğünden ödün vermeden farklı veri kaynaklarına daha kolay erişim sağlar. Ek olarak, gelişmiş analitik, gerçek zamanlı içgörüler sunarsağlayıcıların sonuçları tahmin etmesine ve hastalığı erken teşhis ederek uzun vadeli COVID ve diğer kronik hastalıklara yakalanma riski taşıyan hastalara müdahale etmesine olanak tanır.
Bu teknolojileri ve bunların sağlık hizmetlerindeki sonuçlarını daha derinlemesine araştırmak için, Sağlık Bilişim Haberleri HHS Tech Group başkanı Brett Furst ile konuştu.
S. Sağlık sistemi BT liderleri, kronik hastalıkların doğru, erken tespiti ve tedavisi için hasta verilerinin kilidini açmak ve bunları keşfetmek üzere yapay zeka ve makine öğrenimi teknolojilerinden nasıl yararlanabilir?
A. Sağlık sistemi BT liderleri, sağlık hizmeti verilerine özgü iki temel zorlukla karşı karşıyadır – çok dağınık ve önemli miktarda veri var.
Örneğin, sağlığın sosyal belirleyicileri ile ilgili değerli hasta bilgilerinin çoğu, elektronik sağlık kayıtlarının not bölümlerinde yapılandırılmamış veriler olarak gömülür ve bu da yakalanmasını ve analiz edilmesini zorlaştırır. Ayrıca, EHR’lerdeki hasta verilerine ek olarak anketler, oyunlar, perakende satış ve sosyal medya gibi diğer kaynaklardan da birçok durumda hiç kimsenin bir araya getirmediği zengin bilgiler toplanabilir.
Araştırmacılar ve sağlayıcılar, çeşitli veri kümelerini birleştirdiğinde, sağlık sektörü, nüfus sağlığı düzeyinde yeni içgörüler elde edebilir. Bununla birlikte, sağlık hizmeti verilerinin dağınıklığı ve hacmi nedeniyle, manuel veya insanların bu verilerden değer elde etme çabaları yeterli değildir ve işte burada yapay zeka ve makine öğrenimi devreye girer.
Yapay zeka, makine öğrenimi ve diğer ilgili teknolojiler, sağlayıcıların ve araştırmacıların geleneksel veri çıkarma, yakalama ve analiz yöntemlerinden önemli ölçüde daha kısa bir zaman diliminde daha geniş kapsamlı içgörüler elde etmelerini sağlar.
Yapay zeka ve makine öğrenimi, henüz teşhis edilmemiş bir kronik hastalığın belirtilerini sergileyen hastaların belirlenmesi veya bir sonraki pandeminin tam olarak belirlenmesi için atık su örneklerinin analiz edilmesi gibi karmaşık sağlık hizmeti veri sorunlarını çözmek için gerekli araçlardır.
S. Ülkenin en büyük COVID-19 araştırma veri tabanı ve ilgili analitikleri, sağlık sistemi liderlerinin ve tıp dernekleri gibi diğer kuruluşların COVID’in davranışsal sağlık ve altta yatan kronik rahatsızlıkları olan popülasyonlar üzerindeki etkisini daha iyi anlamalarına nasıl yardımcı oluyor?
A. COVID-19 Araştırma Veritabanı, iddialar, karşılaşmalar, sağlığın sosyal belirleyicileri ve diğer çeşitli klinik veri türleri dahil olmak üzere ABD nüfusunun çoğu hakkında geniş bir veri yelpazesi sunar. Veritabanı, bu geniş veri kümelerini etkili bir şekilde tek bir yerde bir araya getirir, bunları birbirine bağlar ve keşifleri yönlendirir.
Örneğin, diyabet, kronik obstrüktif akciğer hastalığı ve kronik böbrek hastalığı gibi önceden var olan kronik durumların COVID-19 ile enfekte hastalar üzerindeki etkisi hakkında.
Araştırmacılar, dünyanın en kapsamlı çapraz bağlantılı veri setlerinden birini kullanarak COVID-19’un savunmasız popülasyonları nasıl etkilediği hakkında yeni sonuçlar çıkarabilir. Örneğin araştırmacılar, hastaların sağlık hizmetlerine, beslenmeye ve ekonomik fırsatlara erişimiyle ilgili verileri inceleyebilir ve COVID-19 enfeksiyonlarının bu gruplardaki bireyleri nasıl etkilediğini görebilir.
Nihayetinde amaç, birden çok değişken arasında neden-sonuç ilişkileri kurarak bunların COVID-19 ile nasıl etkileşime girdiğini ve insanları nasıl etkilediğini belirlemektir. Ancak oraya varmadan önce, yoğun yapay zeka, makine öğrenimi ve ileri düzey analitik kullanımı gerektiren milyarlarca sağlık kaydından korelasyonlar çıkarmamız gerekiyor.
S. Yapay zeka ve makine öğrenimi sağlık sonuçlarını nasıl tahmin ediyor ve tedavi kalitesini ve güvenliğini iyileştirmek için kanıta dayalı stratejilerin benimsenmesini nasıl teşvik ediyor?
A. Sağlayıcılar, kronik böbrek hastalığı ve hipertansiyon gibi kronik durumlar geliştiren risk altındaki popülasyonları, bu hastalara teşhis konmadan ve sağlık durumları daha ciddi hale gelmeden önce belirlemek için yapay zeka ve makine öğrenimini kullanıyor.
Bu popülasyonlardaki hastalara teşhis konulmamış olsa da, tahmine dayalı modelleme, müdahale gerektiren hastaları tam olarak belirlemek için birçok veri faktörünü açıklayabilir. Örneğin, yaygın, ciddi, maliyetli ve sıklıkla önlenebilir bir hastalık olan kronik böbrek hastalığını düşünün. Bununla birlikte, hastalığın erken evrelerindeki birçok insan, hastalığa sahip olduklarının farkında bile değildir çünkü hastalar tipik olarak erken evrelerde çok az belirti gösterirler.
Aynı zamanda sağlayıcılar, kronik böbrek hastalığının çeşitli aşamalarındaki hastalar için mevcut müdahalelerin etkinliğini ölçmek için yapay zeka ve makine öğrenimini kullanabilir. Kronik böbrek hastalığına yakalanma riski en yüksek olan hastaları belirleyen içgörüler sağlayan gerçek zamanlı analitikle birleştiğinde bu teknolojiler, tıbbi hizmet sağlayıcıların hastalarına daha zamanında teşhis ve tedavilerle en iyi şekilde hizmet vermelerini sağlar.
S. AI ve makine öğrenimi, sağlıkta eşitlik açıklarını kapatmak ve yetersiz hizmet alan nüfusların bakıma erişimini iyileştirmek için nasıl kullanılabilir?
A. Sağlıkta eşitlik açıklarını kapatmanın ve yetersiz hizmet alan nüfus için bakım erişimini iyileştirmenin ilk adımı, bu girişimlerden fayda sağlayacak hastaların belirlenmesidir.
Örneğin, ulaşım imkanı olmayanlar, yemek çöllerinde yaşayanlar veya en yakın sağlık kuruluşundan 10 milden daha uzakta yaşayanlar gibi birçok farklı hasta grubunu saptayabiliriz. Belirlendikten sonra, hastaları, spesifik SDOH ihtiyaçlarını karşılayan topluluk temelli kuruluşlara yönlendirebiliriz.
Alternatif olarak, yerel yönetimler, sakinlerin sağlık hizmetlerine erişimde zorluk yaşadıkları alanlarda mobil test laboratuvarları kurmak için boş otoparkları kullanmak gibi altyapıda değişiklikler yapabilir. Benzer şekilde, taze yiyecek seçeneklerini stoklamak için yiyecek tatlılarını belirlediğimizde hükümetler indirim mağazaları gibi yerel perakendecilerle çalışabilir.
Sağlayıcılar, coğrafi haritalama verilerini hasta SDOH ve demografik verilerle birleştirerek, eşitsizliklerin nerede olduğunu keşfedebilir ve bu eşitsizlikleri ele alacak programlar tasarlamak için yerel paydaşlarla birlikte çalışabilir.
Bill’in HIT kapsamını LinkedIn’de takip edin: Bill Siwicki
Yazara e-posta: bsiwicki@himss.org
Healthcare IT News, bir HIMSS Media yayınıdır.