拉夫堡大学的研究人员开发了一种人工智能（AI）工具，该工具能够识别影响产科护理结果的关键人为因素，支持持续努力改善母婴安全。
这款工具由AI和数据科学家乔治娜·科斯马教授（Professor Georgina Cosma）和人为因素及复杂系统专家帕特里克·沃特斯顿教授（Professor Patrick Waterson）共同开发。该工具通过分析产科事故报告，突出关键人为因素——如沟通、团队合作和决策——这些因素可能对护理结果产生了影响，提供有关哪些领域可以从额外支持中受益的见解。
在英国，当发生不良产科事件时，会生成详细的调查报告，以识别学习机会和提升安全性的方法。这些报告提供了关于影响护理的临床方面的宝贵见解，如健康状况、程序和测试。然而，识别涉及的人为因素往往更具挑战性，因为这些因素通常较为复杂且微妙。
目前，专家必须手动审查事故报告以提取人为因素的见解。这一过程资源密集、耗时长，且依赖于个人解释和专业知识，可能导致不同的结论。AI工具通过快速一致地识别和分类报告中的人为因素解决了这些挑战。其标准化的方法允许分析多个报告并识别重复出现的因素，帮助确定最需要额外支持的领域。
该AI模型在188份真实的产科事故报告数据上进行了训练和测试。它成功地识别了每份报告中的人为因素，并进行了集体分析，提供了关于如何通过额外支持改善结果的见解。
“AI已经改变了我们对产科安全报告的分析方式。我们比手动方法更快地发现了关键见解。”乔治娜·科斯马教授表示，“这使我们能够全面了解产科护理中有哪些改进空间，这些见解可以帮助确定提高患者安全和改善母婴结果的方法。”
报告中的见解
团队合作和沟通在所有分析报告中最常被识别为人为主导因素，突显了医疗保健专业人员和患者之间有效协作和清晰信息交流在促进产科护理安全和质量方面的重要性。
分析还强调了彻底的患者评估——包括评估、检查和筛查——的重要性，以及个体患者特征（如分娩史和子痫前期等疾病）对护理结果的影响。
AI工具还识别了与医疗技术使用和员工表现相关的挑战，表明持续培训和支持可以改善护理结果。此外，该工具还提供了关于COVID-19如何影响产科服务的见解，强调了实践适应性的重要性。
分析还指出，某些人为因素可能对少数族裔母亲产生更大的影响。然而，由于包含种族数据的报告数量有限，需要进一步研究以得出明确结论。
下一步计划
拉夫堡大学的研究人员希望获得资金，利用更大、更多样化的数据集来完善AI模型。扩展测试对于验证工具的有效性和进一步了解少数族裔母亲在产科护理中面临的挑战至关重要。
“我们希望与医院、医疗保健组织和调查机构合作，进一步完善和应用我们的AI工具到报告中。这些合作伙伴关系将帮助我们提取关键情报，防止不良事件的发生，确保所有母亲和婴儿的安全。”科斯马教授说。
“我们还希望将工具适应其他类型的报告，例如不良警察事件报告，其中理解涉及的人为因素可以帮助防止未来事件并改善应对策略。”
研究对改善产科护理的重要性
沃特斯顿教授表示：“我们的工作为理解影响母体安全和人口健康结果的社会、技术和组织因素之间的复杂相互作用开辟了新的可能性。”
奥肯登审查（Ockenden Review）强调了此类研究的必要性，该审查旨在改善产科护理的安全性和护理质量。
“通过更全面地看待母体医疗服务的提供，我们可以制定有针对性的干预措施，改善所有母亲和婴儿的产科结果。”
健康服务安全调查机构（HSSIB）负责调查英格兰各地的患者安全问题，以在全国范围内改善NHS和独立医疗服务。
HSSIB的安全见解分析师乔纳森·贝克博士（Dr Jonathan Back）表示，这项研究“可以帮助医疗保健领域的分析师识别不平等现象，通过整合多项调查的结果最大化学习效果”。
AI工具及其分析188份报告的结果已在《国际人口数据科学杂志》上发表。
(全文结束)
