수술 환자의 경우 AI가 알코올 관련 위험을 줄이는 데 도움이 될 수 있습니 다.

인공지능을 사용하여 수술 환자의 의료 기록을 스캔하여 위험한 음주 징후를 찾는 데 도움이 될 수 있다는 새로운 연구 결과가 나왔습니다.

이번 연구에서 테스트된 AI 기록 스캔은 수술팀이 어떤 환자에게 그러한 위험에 대해 더 많은 교육이 필요한지, 수술 전후 일정 기간 동안 음주를 줄이거나 중단하는 데 도움이 되는 치료가 필요한지 미리 파악하는 데 도움이 될 수 있습니다.

연구 결과는 알코올: 임상 및 실험 연구 미시간 대학 연구팀은 환자의 전체 의료 기록을 분석하기 위해 자연어 처리라는 AI 형태를 사용하면 의사의 메모와 같은 차트에 기록된 위험한 음주 징후를 발견할 수 있음을 보여줍니다. 알코올 문제 진단을 받습니다.

과거 연구에 따르면 평균적으로 하루에 두 잔 이상의 술을 마시는 것은 수술을 받은 사람들의 감염, 상처 합병증, 폐 합병증 및 입원 기간 연장의 위험이 더 높은 것과 관련이 있는 것으로 나타났습니다.

정기적으로 술을 마시는 많은 사람들은 알코올 문제가 없으며, 술을 마시는 경우에도 알코올 사용 장애 또는 중독에 대한 공식적인 진단을 받지 못할 수 있으며, 이는 수술팀이 차트에서 쉽게 발견할 수 있습니다.

수색 기록 및 메모

UM의 학술 의료 센터인 Michigan Medicine의 연구원들은 익명의 수술 환자 100명의 기록을 검토하여 위험한 음주 징후를 찾고 분류를 전문 인간 검토자의 분류와 비교함으로써 AI 모델을 훈련했습니다.

전체적으로 AI 모델은 대부분의 경우 인간 전문가 분류와 일치했습니다. AI 모델은 전문가가 위험한 음주자로 식별한 환자 중 87%의 메모에서 위험한 음주 징후를 발견했습니다.

한편, 이들 환자 중 진단 목록에 알코올과 관련된 진단 코드가 있는 환자는 29%에 불과했습니다. 따라서 합병증의 위험이 더 높은 많은 환자들은 수술 팀의 감시 대상이 되지 않았을 것입니다.

그런 다음 연구원들은 AI 모델이 Michigan Genomics Initiative를 통해 수집된 53,000개 이상의 익명 환자 의료 기록을 검토할 수 있도록 허용했습니다. AI 모델은 전체 텍스트 검색을 통해 연구진이 진단 코드를 사용하여 발견한 것보다 3배 더 많은 위험 알코올 사용 환자를 식별했습니다. 전체적으로 환자의 15%가 AI 모델을 통해 기준을 충족한 반면, 진단 코드를 통해 5%가 기준을 충족했습니다.

수석 저자인 VG Vinod Vydiswaran 박사는 “수술 환자의 기록에서 위험한 음주를 식별하기 위한 자연어 처리 평가는 적절한 검증을 통해 1차 진료 및 그 이상에서 다른 위험을 식별하려는 노력의 토대를 마련할 수 있습니다”라고 말했습니다. 새 논문의 저자이자 UM 의과대학의 건강 과학 학습 부교수입니다. “본질적으로 이는 전체 기록을 읽지 않고도 다른 제공자가 작성한 메모에 이미 포함된 내용을 제공자에게 강조하는 방법입니다.”

“일상 적당량의 알코올 사용으로도 발생할 수 있는 과도한 수술 위험과 수술 전 강력한 검사 및 치료를 구현해야 하는 어려움을 감안할 때, 가장 큰 혜택을 받을 수 있는 환자를 식별하기 위한 다른 옵션을 탐색하는 것이 중요합니다. UM 중독 센터 및 중독 치료 서비스의 중독 심리학자이자 정신과 부교수인 선임 저자 Anne Fernandez 박사는 기록된 진단을 받은 사람들을 넘어서 스스로 또는 도움을 받아 사용을 줄입니다.

새로운 데이터는 들어오는 환자의 차트에 나열된 진단 코드를 단순히 검토하고 알코올 사용 장애, 알코올 의존 또는 알코올 관련 간 질환과 같은 진단 코드를 표시하는 수술 클리닉에서는 위험이 높은 많은 환자를 놓칠 수 있음을 시사합니다.

술 + 수술 = 위험 증가

알려진 수술 합병증의 위험 외에도 Fernandez와 동료들은 최근 미시간의 대규모 수술 데이터베이스에서 얻은 데이터를 발표했는데, 이는 담배를 피우고 하루에 두 잔 이상 술을 마시는 사람들이 다시 병원에 입원하거나 다시 입원할 가능성이 더 높다는 것을 보여줍니다. 수술실은 다른 곳보다 위험 음주를 하고 담배를 피우지 않는 사람들도 2차 수술이 필요할 가능성이 더 높았습니다.

그녀와 동료들은 또한 Michigan Medicine 수술 클리닉의 사람들을 등록한 두 가지 다른 연구에 참여한 사람들의 상세한 설문 데이터를 검토하여 수술을 받는 사람들의 19%가 위험한 수준의 알코올 사용을 가질 수 있음을 발견했습니다.

새로운 연구는 새로운 정보를 생성하기 위해 NLP 형태의 AI를 사용하는 것이 아니라 개인의 전체 의료 기록을 구성하는 제공자 메모 및 데이터의 페이지와 페이지에서 단서를 찾는 데 사용되었습니다.

Vydiswaran은 검증 후 환자가 수술 전 약속을 확인하고 위험 수준을 식별하기 전에 환자의 기록에 대해 도구를 실행할 수 있다고 말했습니다.

물론, 어떤 사람이 잠재적으로 위험한 수준의 음주를 하고 있다는 사실을 아는 것만으로는 충분하지 않습니다.

Fernandez는 수술 예정인 사람들이 음주 수준과 관련된 위험을 이해하고 음주량을 줄이는 데 도움이 되는 가상 코칭 접근 방식을 테스트하는 노력을 주도하고 있습니다.

“우리의 목표는 알코올 사용 장애에 대한 약물 치료와 알코올 금욕이 필요할 때 수술 회복 중 지원을 포함하여 더 많은 치료 서비스가 필요한 사람들을 식별하는 것입니다.”라고 그녀는 말했습니다. “우리는 모든 서비스 제공자가 수행해야 하는 실사를 대체하는 것이 아니라 환자와 대화하고 조치를 취할 수 있는 더 많은 정보를 얻도록 유도하는 것을 목표로 합니다.”

그녀는 수술 후 통증을 치료하기 위해 종종 사용되는 오피오이드 진통제와 알코올을 병용하는 위험이 매우 높다고 지적했습니다.

모델을 검증하기 위한 현재 작업 외에도 팀은 모델을 공개적으로 사용할 수 있기를 희망합니다. 단, 모델을 사용하려는 모든 의료 시스템의 전자 기록 시스템에 대한 교육을 받아야 합니다.

Fernandez는 “이러한 AI 도구는 놀라운 일을 할 수 있지만 알코올이나 약물 사용, 섭식 장애 또는 기타 만성 질환과 관련된 바쁜 임상의의 시간을 절약할 수 있는 작업을 수행하는 데 AI 도구를 사용하는 것이 중요합니다.”라고 말했습니다. “그리고 잠재적인 문제를 발견하기 위해 이를 사용하려면 치료 옵션도 제공할 준비가 되어 있어야 합니다.”

UM 의료 정책 및 혁신 연구소의 회원인 Fernandez와 Vydiswaran 외에도 이번 연구의 저자는 Learning Health Sciences의 Asher Strayhorn과 Katherine Weber, 정신과의 Haley Stevens, Jessica Mellinger 및 G. Scott Winder입니다.

이 연구는 국립 보건원(AA026333, AA028315)의 일부인 국립 알코올 중독 및 알코올 남용 연구소와 Michigan Genomics Initiative를 운영하는 UM Precision Health의 자금 지원을 받았습니다. 이 연구에서는 임상 및 중개 연구를 위해 UM 데이터 오피스를 사용했습니다.

출처: https://www.sciencedaily.com/releases/2024/01/240114212115.htm