决策是医院患者护理的核心，涉及一系列临床医生，他们的职责包括诊断、治疗和资源分配。这些相互关联的决策使得医生、护士和其他护理人员难以实时连接所有信息。
埃默里大学计算机科学助理教授唐胜普正在开发AI工具，以识别、验证和传输支持医护人员决策过程中所需的关键数据。
“最终目标是改善患者护理和患者结局，”唐胜普说。
《JAMA Network Open》发表了唐胜普最新合作项目的成果：这是首次在医院部署的AI指导系统，用于支持防止艰难梭菌（Clostridioides difficile, C. diff）传播的最佳实践。
唐胜普是《JAMA Network Open》论文的第一作者，该研究是在密歇根大学及其附属学术医疗中心密歇根医学进行的。
研究人员的分析发现，新的AI指导协议显著减少了密歇根医学中心的抗生素处方——这一因素增加了脆弱患者的感染风险——减少了10-15%的抗菌药物使用天数。重要的是，减少抗菌药物使用天数并未增加患者的住院时间、再入院率或死亡率。在研究期间，艰难梭菌的发病率虽然有所下降，但这种减少尚未达到统计学显著性。
唐胜普在密歇根大学计算机科学与工程副教授珍娜·维恩斯的实验室中作为博士生完成了这项工作。密歇根大学医学院内科副教授克里希纳·拉奥是该论文的共同资深作者。
紧迫的威胁
艰难梭菌（C. diff）是一种紧迫的抗生素耐药威胁，每年在美国造成50万例疾病和近3万人死亡，根据美国疾病控制与预防中心（CDC）的数据。
“C. diff是医院中最常见的医疗相关感染之一，”唐胜普说。“这是一个非常棘手的问题。”
当细菌在体外时，会形成孢子，可以在表面上存活数月，并且对许多清洁产品具有抵抗力，包括酒精基的手部消毒剂。这些因素使C. diff在医院环境中特别危险。对于免疫系统已经因疾病而受损的人，C. diff感染可导致严重的腹泻和肠道炎症。
特别是，服用抗生素的住院患者感染C. diff的风险是其他患者的十倍。这些药物会消灭肠道中的天然微生物，而这些微生物自然地形成了对抗入侵者的屏障。
当前的论文是十多年前启动的一个项目的一部分。在早期阶段，研究团队建立了一个预测模型，利用过去的医院记录来确定哪些患者最有可能感染C. diff。
机器学习模型训练了包括药物、实验室结果、既往住院情况、合并症、人口统计学特征以及患者在医院内与其他感染患者的接近程度等因素。应用于一组从未见过的新患者时，预测结果与真实患者风险一致，表明该模型有效。
确定最佳风险阈值
唐胜普于2021年末开始参与该项目，在模型建立后帮助领导其部署。最初，他专注于软件编码和调试，并确保上游数据源正确连接到患者的电子记录数据库。
后来，唐胜普进行了模拟研究，以确定发送高风险警报的最佳风险阈值，基于与其他研究人员的讨论。他还与医院IT人员协调，确保模型顺利集成到医院工作流程中。研究结束后，他领导了结果的统计分析。
AI模型每天生成患者的感染风险评分。当风险超过选定阈值时，会发送警报。警报会出现在高风险患者的电子健康记录中，供医生、护士和药剂师查看。AI指南要求在高风险患者的房间门口张贴标志，提醒所有访客在进入前用肥皂和水洗手。
指南还包括减少高风险抗生素的使用和测试青霉素过敏。许多被标记为青霉素过敏的患者随着时间的推移会失去这种过敏反应，从而可以使用一类新的抗生素，降低患者感染C. diff的风险。
全院对高风险患者的高度意识导致了抗生素方案的可测量变化，从而降低了感染风险。
重症监护护士团队甚至在他们自己的工作流程中实施了意外用途，将患者风险评分用于房间分配。当分配房间时，负责护士确保照顾活跃感染患者的护士不同时被分配给高风险患者。
“这个项目反映了临床医生、药剂师、工程师和科学家团队共同努力，将AI转化为实际影响的结果，”唐胜普说。“在埃默里大学，我期待继续这项工作，并探索AI如何帮助改善患者护理的新方法。”
(全文结束)