人工智慧新模型預測住院病人褥瘡風險 提高精準度並改善醫療公平性
褥瘡，亦稱壓力性損傷，已成為美國各醫院的重大健康問題。每年有高達250萬人在急性護理機構中發展壓力性損傷，其中大約60,000例導致死亡，造成的經濟及人力損失巨大，壓力性損傷的管理年成本超過260億美元，凸顯了改善預防和管理策略的迫切需要。
為了應對這一挑戰，來自南加州大學（USC）、約翰霍普金斯大學和克利夫蘭醫學中心醫院的研究人員合作，開發了一種利用機器學習預測住院病人壓力性損傷未來風險的新模型。這一模型在《BMJ Open》上的研究中有詳細說明，較過去方法大幅提高，準確率超過74%，相較於1980年代開發、準確率為54%的布萊登量表（業界標準工具）提高了超過20%。
改善醫療服務的創新步驟
在醫療保健領域實施預測分析，有望減輕護士和一線醫療提供者的負擔。通過自動化，部分風險評估過程可以簡化，避免了目前每天需要多次進行的勞力密集型手動檢查。新模型不僅提高了風險評估的準確性，還可能通過顯著減少大型醫療機構進行這些評估所需的勞動時數，帶來經濟效益。
此外，該研究解決了醫療公平性方面的關鍵障礙。現有預測壓力性損傷的工具和方法學常常忽略種族、膚色或年齡等因素，可能會忽視少數族裔面臨的增加風險。透過依賴機器學習，該新模型有望改善醫療服務的公平性，更好地預防這些群體不成比例受到的條件。
機器學習模型的開發涉及分析來自35,000餘次住院的電子健康記錄，確定與壓力性損傷風險因素最密切相關的變量。此模型採用如隨機森林和神經網絡等技術，考慮了包括可能改變病人對壓力性損傷風險的特定處方藥在內的各類變量。
人工智慧在提升住院病人褥瘡風險預測準確性方面取得重大進展，透過集成機器學習技術的新模型，不僅提高了護理效率，也增強了醫療公平性和照護品質。