Udział amerykańskich szpitali z predykcyjną AI w elektronicznej dokumentacji medycznej wzrósł do 71%
W Stanach Zjednoczonych 71% niefederalnych szpitali zapewniających opiekę w nagłych przypadkach zgłosiło w 2024 roku wykorzystywanie predykcyjnej sztucznej inteligencji zintegrowanej z elektroniczną dokumentacją medyczną. Rok wcześniej wskaźnik ten wynosił 66%, podaje MyJoyOnline, powołując się na dane przytoczone w materiale.
W materiale zaznaczono, że niezawodność takich systemów zależy nie tylko od algorytmów, lecz także od jakości, znaczenia, bezpieczeństwa i identyfikowalności danych medycznych. Wypełniona dokumentacja medyczna może być klinicznie myląca: diagnoza wykorzystywana do rozliczeń nie zawsze odzwierciedla pełny obraz stanu pacjenta, wynik laboratoryjny może zawierać błędną jednostkę miary, a znacznik czasu może rejestrować wprowadzenie informacji do systemu, a nie samo zdarzenie medyczne.
Wymiana danych nie eliminuje błędów
Autor zwraca uwagę na problem interoperacyjności systemów informacyjnych. Standard FHIR ułatwia przedstawianie i wymianę danych medycznych, jednak nie może skorygować błędów w informacjach źródłowych ani uzgodnić różnych definicji. Dwa systemy mogą z powodzeniem przesłać tę samą wartość, ale interpretować ją w odmienny sposób.
Więcej aktualnych wiadomości na kanale UA.News w Telegramie Telegram.
Przepisy amerykańskich Centrów Usług Medicare i Medicaid dotyczące interoperacyjności systemów i uprzedniej autoryzacji przewidują, że objęci nimi płatnicy muszą wdrożyć lub zaktualizować szereg interfejsów programowania aplikacji FHIR. Terminy spełnienia wymogów dotyczących tych interfejsów zasadniczo rozpoczynają się w 2027 roku.
Modele wymagają stałego monitorowania
Systemy AI muszą być testowane dokładnie w warunkach, w których będą stosowane. Badania modeli wykrywających zapalenie płuc na zdjęciach rentgenowskich klatki piersiowej wykazały, że modele wytrenowane na danych jednego systemu szpitalnego często działały gorzej na danych z innych placówek medycznych. Na wyniki mogą wpływać różnice w składzie populacji pacjentów, rozpowszechnieniu chorób, sprzęcie, procesach pracy i praktykach kodowania.
W 2024 roku 79% szpitali korzystających z predykcyjnej AI zgłosiło pewną formę oceny po wdrożeniu. Jednocześnie nie wszystkie sprawdziły większość lub wszystkie swoje modele, a 18% respondentów nie wiedziało, czy takie monitorowanie było prowadzone. Ocena powinna obejmować nie tylko dokładność, lecz także kalibrację, wartość predykcyjną, działanie dla różnych grup pacjentów, walidację zewnętrzną i czasową oraz wpływ na procesy kliniczne.
Czytaj nas na Telegram i Sends
