Researchers from Yale School of Medicine and Johns Hopkins University have developed an artificial intelligence program that aims to streamline and improve the triage process in emergency rooms. This program assists nurses in assessing the severity of patient conditions upon intake, ultimately leading to more efficient patient flow and decreased wait times in the ER.
The AI program, based on a traditional technique called “random forest,” analyzes patient data such as age, sex, vital signs, medical history, and chief complaints to generate a severity rating according to the Emergency Severity Index. Nurses then compare this rating with their own assessment, with the AI’s recommendation significantly impacting patient placement and resource allocation.
A study conducted by lead author R. Andrew Taylor and his team showed that the AI-informed triage program resulted in faster patient movement through the ER, reduced time to initial care, bed assignment, and discharge. Additionally, the program helped identify patients in need of critical interventions, such as hospitalization or surgery, more accurately.
The AI program not only improved efficiency but also increased the number of patients correctly assigned to critical care, enhancing patient outcomes and resource allocation. Overall, the use of AI in triage has the potential to revolutionize emergency care and benefit both patients and healthcare providers. “dlewis33/Getty Images Apa artinya bagi penelitian
Hasil penelitian menunjukkan perubahan yang signifikan dalam proses triase,” tulis Taylor dan timnya, “dengan peningkatan distribusi yang lebih baik, presisi yang lebih tinggi dalam mengidentifikasi pasien berisiko tinggi dan rendah oleh perawat yang dibantu AI, dan aliran pasien yang diperbaiki.”
Mereka menambahkan, “CDS triase AI terkait dengan peningkatan kinerja perawat triase dalam mengidentifikasi pasien yang berisiko mengalami penyakit kritis secara dini; ini adalah tujuan utama penting dari triase UGD.”
Dan para perawat yang lebih sering setuju dengan CDS akhirnya memiliki sensitivitas yang lebih baik terhadap kritisnya perawatan mendesak, operasi, ICU, dll.
Di sini, Taylor dan timnya tidak bisa yakin apakah mesin yang memandu perawat ke keputusan yang lebih baik; mungkin hanya perawat yang lebih baik. Seperti yang mereka tulis:
Subkelompok perawat dengan tingkat kesepakatan tinggi umumnya lebih unggul daripada AI saja; sebaliknya, subkelompok perawat dengan tingkat kesepakatan rendah secara universal tampil lebih buruk daripada AI saja. Meskipun temuan kami menunjukkan bahwa kesepakatan yang lebih tinggi mungkin terkait dengan kinerja triase yang lebih baik, mungkin saja kelompok perawat dengan kesepakatan tinggi memiliki intuisi klinis yang lebih besar secara mandiri dari CDS, memungkinkan mereka lebih baik memahami kapan harus menyelaraskan dengan rekomendasi berbasis AI.
Kesimpulan mereka adalah bahwa “penyelenggaraan pengambilan keputusan manusia kritis dan sejalan dengan penelitian sebelumnya yang menyoroti potensi sinergis untuk mengintegrasikan AI dengan penilaian manusia.”
Keterbatasan
Ketidakpastian tentang peran intuisi individu perawat manusia bukanlah satu-satunya keterbatasan dari studi ini. Selain itu, UGD yang berbeda dapat memiliki tren musiman yang merupakan “confounder,” faktor-faktor yang membuat temuan studi menjadi bermasalah.
Keterbatasan lain adalah bahwa CDS mengandalkan rekam medis elektronik, yang memiliki keterbatasan sendiri, seperti kurangnya spesifik tentang pasien.
Juga: 10 alasan utama mengapa AI menjadi populer dalam semalam – dan apa yang terjadi selanjutnya
Keterbatasan paling mendalam adalah bahwa studi tidak mengikuti apa yang terjadi pada pasien setelah UGD. Apakah triase yang lebih baik menghasilkan hasil pasien yang lebih baik? Tidak jelas, tulis Taylor dan timnya.
“Penelitian masa depan harus mempertimbangkan faktor-faktor jangka panjang ini untuk sepenuhnya memahami implikasi dukungan AI dalam pengambilan keputusan klinis dalam pengaturan darurat,” tulis mereka.
Salah satu kesimpulan yang sangat menarik – dan mungkin relevan untuk semua implementasi AI – adalah bahwa AI perlu disesuaikan dengan pengaturan tertentu. Percobaan dilakukan di tiga UGD di wilayah tertentu di AS, dan itu jelas memengaruhi hasil.
Sebagaimana Taylor dan timnya tulis:
Data kami menunjukkan bahwa alat AI dalam perawatan kesehatan mungkin mencapai potensi penuh melalui strategi penempatan yang spesifik untuk situs. Pendekatan ini menandai perubahan dari penekanan yang dominan pada generalisasi luas dan menandakan pergeseran ke arah aplikasi AI yang lebih nuansa, sensitif konteks dalam perawatan kesehatan.”