Kamery do noszenia umożliwiają sztucznej inteligencji wykrywanie błędów w przyjmowaniu leków

Zespół naukowców twierdzi, iż opracował pierwszy system kamer do noszenia, który dzięki sztucznej inteligencji wykrywa potencjalne błędy w podawaniu leków.

W teście, którego wyniki opublikowano dzisiaj, system wideo rozpoznał i z dużą skutecznością zidentyfikował, które leki były pobierane w ruchliwych warunkach klinicznych. Sztuczna inteligencja osiągnęła czułość 99,6% i swoistość 98,8% w wykrywaniu błędów związanych z zamianą fiolek.

Odkrycia opublikowano 22 października w npj Digital Medicine.

System może stać się kluczowym zabezpieczeniem, szczególnie na salach operacyjnych, oddziałach intensywnej terapii i w placówkach medycyny ratunkowej, twierdzi współautorka dr Kelly Michaelsen, adiunkt anestezjologii i medycyny bólu w Szkole Medycznej Uniwersytetu Waszyngtońskiego.

„Myśl o możliwości udzielenia pomocy pacjentom w czasie rzeczywistym lub zapobiegnięcia błędom w leczeniu, zanim one wystąpią, ma ogromną siłę” – stwierdziła. „Można mieć nadzieję na 100% skuteczność, ale choćby ludzie nie są w stanie tego osiągnąć. W ankiecie przeprowadzonej wśród ponad 100 anestezjologów większość oczekiwała, iż ​​system będzie działał z dokładnością na poziomie ponad 95%, co właśnie osiągnęliśmy”.

Błędy w podaniu leków są najczęściej zgłaszanymi zdarzeniami krytycznymi w znieczuleniu i najczęstszą przyczyną poważnych błędów medycznych na oddziale intensywnej terapii. W szerszej perspektywie szacuje się, iż od 5% do 10% wszystkich podanych leków wiąże się z błędami. Szacuje się, iż zdarzenia niepożądane związane ze stosowaniem leków we wstrzyknięciach dotykają 1,2 miliona pacjentów rocznie, a ich koszt wynosi 5,1 miliarda dolarów.

Błędy związane z zamianą strzykawki lub fiolki najczęściej występują podczas wstrzyknięć dożylnych, podczas których lekarz musi przenieść lek z fiolki do strzykawki i przekazać pacjentowi. Około 20% błędów to błędy związane z podmianą, polegające na wybraniu niewłaściwej fiolki lub błędnym oznakowaniu strzykawki. Kolejne 20% błędów ma miejsce, gdy lek jest prawidłowo oznakowany, ale błędnie podany.

Aby zapobiec takim wypadkom, wdrożono środki bezpieczeństwa, takie jak system kodów kreskowych, który gwałtownie odczytuje i potwierdza zawartość fiolki. Jednak praktycy mogą czasami zapomnieć o tej kontroli w sytuacjach wysokiego stresu, ponieważ jest to dodatkowy etap ich pracy.

Celem badaczy było zbudowanie modelu uczenia głębokiego, który w połączeniu z kamerą GoPro będzie na tyle zaawansowany, aby rozpoznać zawartość cylindrycznych fiolek i strzykawek oraz odpowiednio wyświetlić ostrzeżenie, zanim lek dostanie się do pacjenta.

Szkolenie modelu trwało miesiącami. Badacze zebrali wideo 4K przedstawiające 418 losowań leków przez 13 lekarzy anestezjologów na salach operacyjnych, w których zastosowano różne ustawienia i oświetlenie. Na filmie uchwycono lekarzy obsługujących fiolki i strzykawki z wybranymi lekami. Te fragmenty wideo zostały później zarejestrowane, a zawartość strzykawek i fiolek oznaczona w celu przeszkolenia modelki w zakresie rozpoznawania zawartości i pojemników.

System wideo nie odczytuje bezpośrednio napisów na każdej fiolce, ale skanuje inne wskazówki wizualne: rozmiar i kształt fiolki i strzykawki, kolor wieczka fiolki, rozmiar nadruku na etykiecie.

„To było szczególnie trudne, ponieważ osoba na sali operacyjnej trzyma strzykawkę i fiolkę, a żadnego z tych przedmiotów nie widać w całości. Niektóre litery (na strzykawce i fiolce) są zakryte rękami. A ręce poruszają się szybko. Wykonują swoją pracę. Nie pozują do kamery” – powiedział Shyam Gollakota, współautor artykułu i profesor w Szkole Informatyki i Inżynierii im. Paula G. Allena.

Co więcej, model obliczeniowy musiał zostać przeszkolony, aby skupiał się na lekach na pierwszym planie kadru i ignorował fiolki i strzykawki w tle.

„Sztuczna inteligencja robi to wszystko: wykrywa konkretną strzykawkę, którą podnosi lekarz, i nie wykrywa strzykawki leżącej na stole” – powiedział Gollakota.

Praca ta pokazuje, iż sztuczna inteligencja i głębokie uczenie się mogą potencjalnie poprawić bezpieczeństwo i wydajność w wielu praktykach z zakresu opieki zdrowotnej. Naukowcy dopiero zaczynają badać potencjał, powiedział Michaelsen.

W badaniu uczestniczyli także naukowcy z Carnegie Mellon University i Makerere University w Ugandzie. Instytut Badawczy Toyoty zbudował i przetestował system.

Prace sfinansowały Washington Research Foundation, Foundation for Anesthesia Education and Research oraz grant National Institutes of Health (K08GM153069).