范德比尔特大学医学中心(Vanderbilt University Medical Center)的一项新研究表明，人工智能有望帮助完善和定位无数计算机化警报，这些警报旨在帮助医生和其他团队成员进行日常临床决策。
这些弹出式通知向用户提供从药物禁忌症到患者护理文件中的空白等各种建议。然而，这些警报的排除标准和目标缺乏，高达90%的警报被忽略，导致“警报疲劳”。从信息技术的角度来看，让人类专家来解决定位问题看起来既缓慢又昂贵，而且有些偶然。
在整个医疗保健行业，大多数善意的自动警报都被忙碌的用户忽略了。该研究的主要作者、VUMC生物医学信息学助理教授Siru Liu博士说:“警报服务于一个基本目的，但每个人都清楚需要改进它们。”
刘，资深作者亚当·赖特博士，生物医学信息学教授和范德比尔特临床信息学中心主任，以及一个研究小组在《美国医学信息学协会杂志》上报告了这项研究。
刘开发了一种机器学习方法来分析VUMC两年来用户与警报交互的数据。根据患者的特征，一个模型可以准确地预测用户何时会忽略特定的警报。
然后，她使用各种流程和方法来窥探预测模型的内部，理解其推理，并对警报逻辑提出改进建议。这一步被称为可解释人工智能(AIX)，涉及将模型的预测转换为规则，解释用户何时不太可能接受警报。例如，“如果病人是临终关怀病人，那么用户就不太可能接受乳腺癌筛查警报。”
在分析的1727条建议中，发现76条与后来对VUMC警报的手动更新相匹配，另外20条与通过与临床医生访谈确定的最佳实践相一致。作者计算出，这96条建议将消除研究中分析的近300万个警报中的9.3%，在保持患者安全的同时减少破坏性的弹出式警报。
“模型的建议与临床医生对警报逻辑进行的手动调整相一致，强调了这项技术在提高医疗质量和效率方面的强大潜力，”刘说。“我们的方法可以识别人工审查中被忽视的领域，并将警报改进转化为持续的学习过程。”
她补充说，除了改进警报，该方法还发现了表明工作流程、教育或人员配备方面存在问题的情况。通过这种方式，该方法可能会更广泛地提高质量:“我们模型的透明度揭示了由于警报本身之外的下游问题而忽略警报的情况。”
Liu及其同事正在考虑几个相关项目，包括一项关于机器学习改善CDS对患者护理影响的多地点前瞻性研究;为CDS专家设计界面，使AIX流程可视化并评估模型生成的建议;探索像ChatGPT这样的大型语言模型的功能，基于用户评论和当前的研究文献来优化CDS警报。
更多信息:Siru Liu等人，利用可解释的人工智能优化临床决策支持，美国医学信息学协会杂志(2024)。DOI: 10.1093/jamia/ocae019由范德比尔特大学医学中心提供引文:人工智能有助于减少医疗团队的骚扰警报:研究(2024年2月22日)，检索自2024年2月23日https://medicalxpress.com/news/2024-02-ai-aids-efforts-nuisance-health.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
