Κατά τη διάρκεια της πανδημίας COVID-19, η χρήση της τηλεϊατρικής και των μηνυμάτων ηλεκτρονικού αρχείου υγείας (EHR) αυξήθηκε ραγδαία.
Καθώς οι εικονικές επισκέψεις έγιναν πιο συχνές, η ευρεία διαθεσιμότητα των κατ' οίκον τεστ για τον κορωνοϊό, επέτρεψε στους ασθενείς να αναφέρουν ένα θετικό τεστ και να ξεκινήσουν θεραπεία ή ανάρρωση χωρίς να χρειάζεται να επισκεφθούν το ιατρείο.
Ενώ αυτή η αλλαγή στην παροχή υγειονομικής περίθαλψης προσφέρει πολλά οφέλη, μια εισροή μηνυμάτων χωρίς ψηφιοποιημένο σύστημα διαλογής, δημιουργεί κάτι το οποίο, μπορεί να επιβραδύνει την απόκριση και να καθυστερήσει την πρόσβαση στην έγκαιρη θεραπεία.
Μια νέα μελέτη που δημοσιεύτηκε στο JAMA Network Open αξιολόγησε πώς ένας συγκεκριμένος τύπος τεχνητής νοημοσύνης, που ονομάζεται επεξεργασία φυσικής γλώσσας (NLP), μπορεί να επιταχύνει το χρόνο μεταξύ ενός μηνύματος που ξεκινά από τον ασθενή, μιας απάντησης γιατρού και της πρόσβασης στην αντιική θεραπεία COVID-19.
Χτίζοντας προηγουμένως δοκιμασμένα μοντέλα πρόβλεψης βαθιάς μάθησης, η ερευνητική ομάδα ανέπτυξε ένα νέο μοντέλο NLP, για την ταξινόμηση των μηνυμάτων EHR που εκκινούν οι ασθενείς και αξιολόγησε την ακρίβειά τους σε πέντε νοσοκομεία της περιοχής της Ατλάντα μεταξύ 30 Μαρτίου και 1 Σεπτεμβρίου 2022.
Κατά τη διάρκεια της μελέτης, 3.048 μηνύματα ανέφεραν θετικά αποτελέσματα τεστ για τον COVID-19. Όταν αναφέρθηκε ένα θετικό τεστ μέσω EHR, το μοντέλο NLP εμφανίστηκε να δρα.
Τα ευρήματα δείχνουν ότι το μοντέλο NLP ταξινόμησε τα μηνύματα ασθενών με ακρίβεια 94%. Επιπλέον, όταν οι απαντήσεις στα μηνύματα των ασθενών εμφανίζονταν πιο γρήγορα, οι ασθενείς ήταν πιο πιθανό να λάβουν ιατρική συνταγή για αντιικά μέσα σε διάστημα πέντε ημερών.
Ωστόσο, ενώ το μοντέλο αποδείχθηκε αποτελεσματικό, υπάρχουν ευκαιρίες για διεύρυνση του πεδίου εφαρμογής πέρα από τις διαγνώσεις COVID-19.
Τα αποτελέσματα απεικονίζουν τη δύναμη της χρήσης προηγμένων μοντέλων NLP στον ακριβή εντοπισμό ασθενών που κινδυνεύουν από μια συγκεκριμένη ασθένεια σε πραγματικό χρόνο. Έτσι αποδείχθηκε, ότι η ταχύτητα πρόσβασης των ασθενών στην υγειονομική περίθαλψη μπορεί να αυξηθεί σημαντικά.
Η μελέτη είναι το αποτέλεσμα μιας συνεργασίας μεταξύ του Πανεπιστημίου Emory, της Georgia Tech και της Switchboard, MD, μιας εταιρείας επιστημονικών δεδομένων και τεχνητής νοημοσύνης που ιδρύθηκε από γιατρούς της Emory Healthcare.
Το μοντέλο NLP που χρησιμοποιήθηκε κατά την περίοδο της μελέτης, το eCOV, αναπτύχθηκε αρχικά από τον Blake Anderson, MD, Διευθύνοντα Σύμβουλο του Switchboard, MD και έναν ιατρό πρωτοβάθμιας φροντίδας Emory.
Μόλις τελειοποιήθηκε, ο ίδιος, συνεργάστηκε με την Georgia Tech για να διασφαλίσει ότι το μοντέλο NLP ήταν αναπαραγωγικό και ξεκίνησε την ανάπτυξη του μοντέλου για να αξιολογήσει την ικανότητά του να επιταχύνει την επικοινωνία ιατρού-ασθενούς.
Φυσικά απαιτείται περαιτέρω ανάλυση για να μετρηθεί ο αντίκτυπος που θα έχει το μοντέλο στα κλινικά αποτελέσματα. Αυτό που γίνεται σαφές όμως είναι ότι καθώς η τεχνητή νοημοσύνη ενσωματώνεται περαιτέρω στα κύρια συστατικά της παροχής υγειονομικής περίθαλψης, έχει την ικανότητα να αναδιαμορφώνει τον τρόπο με τον οποίο ασκείται η ιατρική.
