كيف يقود الذكاء الاصطناعي الابتكار في مجال الرعاية الصحية؟

الذكاء الاصطناعي في علم التخدير وطب الفترة المحيطة بالجراحة، سيتم تطبيقه كأداة تُستخدم لتحسين سلامة المريض في بيئة رعاية سريعة التغير ومعقدة. 

الذكاء الاصطناعي كتكنولوجيا ناشئة تقدم إطارا عمليًا لاختصاصيي التخدير، والعلاقة المهمة بين الذكاء الاصطناعي وسلامة المريض في الفترة المحيطة بالجراحة.

 استخدامات الذكاء الاصطناعي في التخدير وسلامة المرضي

• يمكن تعريف الذكاء الاصطناعي (AI) بشكل عام على أنه قدرة الحاسوب أو الجهاز على تحليل كمية كبيرة من بيانات الرعاية الصحية المعقدة، وكشف المعرفة وتحديد المخاطر، ودعم تحسين عملية اتخاذ القرارات.
• يمكن استخدام الذكاء الاصطناعي مع أنظمة دعم القرارات السريرية التي يُمكن العثور عليها في الرعاية الحديثة المتعلقة بالتخدير. 
• يمكن لنظام إدارة معلومات التخدير توفير إشعارات إلكترونية لفريق التخدير بشأن جرعات المضادات الحيوية في الفترة المحيطة بالجراحة، واستخدام طرق الوقاية من الغثيان والقيء اللاحق للجراحة لدى المرضى المعرضين لمخاطر عالية، والمساعدة على إدارة جلوكوز الدم. 
• أظهر تحليل شمولي حديث، أن دعم القرارات السريرية يمكنه تحسين الامتثال في تناول المضادات الحيوية الوقائية في الفترة المحيطة بالجراحة. 

ستتضمن أدوار الذكاء الاصطناعي (AI) المستقبلية، دعم القرارات السريرية لتحسين سلامة المرضى، تقديم توصيات حول المضاد الحيوي الأمثل بالاستناد إلى معلومات السجل الطبي الإلكتروني للمريض وتاريخه الطبي وعمليته الجراحية. 

يُمكن استخدام الذكاء الاصطناعي (AI) كذلك لتعزيز سلامة المرضى في الفترة المحيطة بالجراحة، من خلال الكشف المبكر عن التدهور السريري، وتوفير دعم القرارات السريرية للإدارة المثلى للتغيرات الفسيولوجية أثناء الجراحة.

الهدف الخماسي

يُمكن رؤية التأثير المباشر الذي سيحدثه الذكاء الاصطناعي (AI) في سلامة المرضى في الفترة المحيطة بالجراحة من خلال منظور الهدف الخماسي (شكل ١).

الهدف الخماسي هو الخطوة التالية المقترحة لتحسين سلامة المرضى وجودة الرعاية المقدمة. 

• قدم معهد تحسين الرعاية الصحية الهدف الثلاثي في عام 2008، كإطار عمل لتحسين تجربة المريض والاهتمام بصحة السكان، وخفض التكاليف كأساسيات لتطوير الرعاية الصحية. 
• وفي عام 2014، تم تقديم الهدف الرباعي ليشمل رفاهية الطبيب، استجابةً للأبحاث التي توضح أن انكباب الطبيب على العمل وإرهاقه قادا إلى مزيد من الأحداث الضارة بالسلامة وانخفاض جودة الرعاية.
• أقرت العديد من مجموعات الاعتماد مثل اللجنة الوطنية لضمان الجودة واللجنة المشتركة، بأهمية تحقيق الهدفين الثلاثي والرباعي.
•  في عام 2022، تم اقتراح الهدف الخماسي وذلك بإضافة هدف خامس وهو: تعزيز العدالة الصحية. 
• كان هذا إقرارًا بأن، تقديم رعاية عالية الجودة وآمنة إلى المرضى من السكان، وتحقيق الأهداف الأخرى، يتطلبان التركيز على قياس التفاوتات ودراستها ومعالجتها بفعالية.

• يلعب الذكاء الاصطناعي (AI) دورًا مهمًا في سلامة المرضى في الفترة المحيطة بالجراحة من خلال منظور الهدف الخماسي. 
• في نظام تقديم الرعاية الصحية الحديث المعقد، يمكن أن يساعد الذكاء الاصطناعي (AI) اختصاصيي التخدير على معالجة الأهداف الخمسة للهدف الخماسي، الذي قد يؤدي لاحقًا إلى تحسين أمان الرعاية وجودتها طوال الفترة المحيطة بالجراحة.

سيتطلب تسخير الذكاء الاصطناعي (AI) لتحسين سلامة المرضى في التخدير قدرًا كبيرًا من العمل من الأطباء الفرديين ومجموعات التخدير وأنظمة الرعاية الصحية والوكالات التنظيمية مثل إدارة الغذاء والدواء (FDA) الأمريكية. 

الذكاء الاصطناعي (AI) ليس منتشرًا على نطاق واسع في الممارسة السريرية كما كان يتوقع البعض منذ خمس سنوات فقط. بالإضافة إلى ذلك، فإن اعتماد الذكاء الاصطناعي (AI) في علم سلامة المرضى وممارسته لا يزال يتطلب وقتًا لنضوجه.

المصادر:

https://www.apsf.org/ar/article/%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D8%B3%D9%84%D8%A7%D9%85%D8%A9-%D8%A7%D9%84%D9%85%D8%B1%D8%B6%D9%89-%D9%88%D8%AA%D8%AD%D9%82%D9%8A%D9%82/

المراجع:

1. Grossman LV, Choi SW, Collins S, et al. Implementation of acute care patient portals: recommendations on utility and use from six early adopters. J Am Med Inform Assoc. 2018;25:370–379. PMID: 29040634.
2. Macrae C. Governing the safety of artificial intelligence in healthcare. BMJ Qual Saf. 2019;28:495–498. PMID: 30979783.
3. Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review. JMIR Med Inform. 2020;8:e18599. PMID: 32706688.
4. Dalal AK, Fuller T, Garabedian P, et al. Systems engineering and human factors support of a system of novel EHR-integrated tools to prevent harm in the hospital. J Am Med Inform Assoc. 2019;26:553–560. PMID: 30903660.
5. Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care. JAMA. 2019;321:31–32. PMID: 30535130
6. World Health Organization. Patient Safety. Sept 13, 2019. Accessed November 8, 2022. ~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care” target=”_blank” rel=”noopener”>https://www.who.int/news-room/fact-sheets/detail/patient-safety#:~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care.
7. Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial intelligence in surgery: promises and perils. Ann Surg. 2018;268:70–76. PMID: 29389679.
8. Bi Q, Goodman KE, Kaminsky J, Lessler J. What is machine learning? A primer for the epidemiologist. Am J Epidemiol. 2019; 188: 2222–2239. PMID: 31509183.
9. Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129:675–688. PMID: 30074930.
10. Lee HC, Ryu HG, Chung EJ, Jung CW. Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: a deep learning approach. Anesthesiology. 2018;128:492–501. PMID: 28953500.
11. Lee CK, Hofer I, Gabel E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality. Anesthesiology. 2018;129:649–662. PMID: 29664888.
12. Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine [published online ahead of print, 2022 Jul 15]. Anesth Analg. 2022 Dec 1;135:1162–1171. PMID: 35841317.
13. Simpao AF, Tan JM, Lingappan AM, et al. A systematic review of near real-time and point-of-care clinical decision support in anesthesia information management systems. J Clin Monit Comput. 2017;31:885–894. PMID: 27530457.
14. Berwick DM, Nolan TW, Whittington J. The triple aim: care, health, and cost. Health Aff (Millwood). 2008;27:759–769. PMID: 18474969.
15. Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider. Ann Fam Med. 2014;12:573–576. PMID: 25384822.
16. Nundy S, Cooper LA, Mate KS. The quintuple aim for health care improvement: a new imperative to advance health equity. JAMA. 2022;327:521–522. PMID: 35061006.
17. Canales C, Lee C, Cannesson M. Science without conscience is but the ruin of the soul: the ethics of big data and artificial intelligence in perioperative medicine. Anesth Analg. 2020;130:1234–1243. PMID: 32287130.
18. Diallo MS, Tan JM, Heitmiller ES, Vetter TR. Achieving greater health equity: an opportunity for anesthesiology. Anesth Analg. 2022;134:1175–1184. PMID: 35110516.
19. Amann J, Blasimme A, Vayena E, et al. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020; 310 (20). PMID: 33256715.
20. Parikh RB, Teeple S, Navathe AS. Addressing bias in artificial intelligence in health care. JAMA. 2019; 322:2377–2378. PMID: 31755905.