AI ਫੋਰਕਾਸਟਿੰਗ ਟੂਲ ਹੁਣ ਹਸਪਤਾਲਾਂ ਨੂੰ ਮਰੀਜ਼ਾਂ ਦੀ ਆਵਾਜਾਈ ਵਿੱਚ ਰੁਕਾਵਟਾਂ (bottlenecks) ਦਾ ਇੱਕ ਦਿਨ ਪਹਿਲਾਂ ਪਤਾ ਲਗਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਪ੍ਰਬੰਧਕਾਂ ਨੂੰ ਹੜਬੜਾਉਣ ਦੀ ਬਜਾਏ ਕਾਰਵਾਈ ਕਰਨ ਦਾ ਸਮਾਂ ਮਿਲਦਾ ਹੈ। Northwell Health, NHS England ਅਤੇ Johns Hopkins ਵਿਖੇ ਸ਼ੁਰੂਆਤੀ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ 6 ਤੋਂ 24 ਘੰਟੇ ਪਹਿਲਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ, ਇੱਕ ਅਜਿਹਾ ਬਦਲਾਅ ਜੋ ER ਦੇ ਇੰਤਜ਼ਾਰ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸਟਾਫ ਦੇ ਦਬਾਅ ਨੂੰ ਹਲਕਾ ਕਰ ਸਕਦਾ ਹੈ।
ਹਸਪਤਾਲਾਂ ਨੂੰ ਅੱਗੇ ਦੀ ਸੋਚਣ ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ
ਭੜਕਿਆ ਹੋਇਆ ਐਮਰਜੈਂਸੀ ਵਿਭਾਗ ਸਿਰਫ਼ ਇੱਕ ਅਸੁਵਿਧਾ ਹੀ ਨਹੀਂ ਹੈ; ਪੰਜ ਘੰਟੇ ਦਾ ਇੰਤਜ਼ਾਰ ਤਣਾਅ ਵਧਾਉਂਦਾ ਹੈ, ਇਲਾਜ ਵਿੱਚ ਦੇਰੀ ਕਰਦਾ ਹੈ ਅਤੇ ਜਟਿਲਤਾਵਾਂ ਦੇ ਜੋਖਮ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਕੋਈ ਵਾਰਡ ਆਪਣੀ ਸਮਰੱਥਾ ਤੋਂ ਵੱਧ ਭਰ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਟਾਫ ਅਚਾਨਕ ਹੱਲ ਅਪਣਾਉਂਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ ਵਾਧੂ ਨਰਸਾਂ ਨੂੰ ਬੁਲਾਉਣਾ, ਓਵਰਫਲੋ ਬੇਅਜ਼ (overflow bays) ਖੋਲ੍ਹਣਾ ਜਾਂ ਐਂਬੂਲੈਂਸਾਂ ਦਾ ਰਸਤਾ ਬਦਲਣਾ। ਇਹ ਕਦਮ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ (reactive) ਹੁੰਦੇ ਹਨ, ਖ਼ਰਚੇ ਵਾਲੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਅਕਸਰ ਰੁਕਾਵਟਾਂ ਦੇ ਲੜੀਵਾਰ ਪ੍ਰਭਾਵ ਨੂੰ ਰੋਕਣ ਲਈ ਬਹੁਤ ਦੇਰ ਨਾਲ ਹੁੰਦੇ ਹਨ।
ਉਹ ਡੇਟਾ ਜੋ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਸ਼ਕਤੀ ਦਿੰਦਾ ਹੈ
AI ਮਾਡਲ ਤਿੰਨ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ:
- ਪੁਰਾਣੇ ਦਾਖਲੇ ਦੇ ਰਿਕਾਰਡ ਜੋ ਹਰ ਸੀਜ਼ਨ ਅਤੇ ਹਫ਼ਤੇ ਦੇ ਦਿਨ ਲਈ ਬੇਸਲਾਈਨ ਪੈਟਰਨਾਂ ਦਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਦੇ ਹਨ।
- ਰੀਅਲ-ਟਾਈਮ ਆਕਾਪੈਂਸੀ ਡੇਟਾ ਜੋ ਇਲੈਕਟ੍ਰਾਨਿਕ ਹੈਲਥ ਰਿਕਾਰਡਾਂ ਤੋਂ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿੰਨੇ ਬੈੱਡ ਵਰਤ ਵਿੱਚ ਹਨ, ਕਿੰਨੇ ਮਰੀਜ਼ ਡਿਸਚਾਰਜ ਦੀ ਉਡੀਕ ਕਰ ਰਹੇ ਹਨ ਅਤੇ ਰੁਕਾਵਟਾਂ ਕਿੱਥੇ ਬਣ ਰਹੀਆਂ ਹਨ।
- ਬਾਹਰੀ ਸੰਕੇਤ ਜਿਵੇਂ ਕਿ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ, ਸਥਾਨਕ ਫਲੂ ਦੀ ਗਤੀਵਿਧੀ ਜਾਂ ਹੀਟ-ਵੇਵ ਅਲਰਟ ਜੋ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਦਾਖਲੇ ਵਿੱਚ ਵਾਧੇ ਨਾਲ ਸਬੰਧਤ ਹੁੰਦੇ ਹਨ।
ਇਨ੍ਹਾਂ ਇਨਪੁੱਟਸ ਨੂੰ ਇੱਕ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਮਾਡਲ ਵਿੱਚ ਪਾਉਣ ਨਾਲ ਸਿਸਟਮ ਬਾਰੀਕ ਸੰਕੇਤਾਂ ਨੂੰ ਪਛਾਣ ਸਕਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ ਫਲੂ ਨਾਲ ਸਬੰਧਤ ਦੌਰਾਵਾਂ ਵਿੱਚ ਅਚਾਨਕ ਵਾਧਾ, ਇਮੇਜਿੰਗ ਲਈ ਵਧਦੀ ਕਤਾਰ, ਜਾਂ ICU ਬੈੱਡਾਂ ਦੀ ਆਉਣ ਵਾਲੀ ਕਮੀ। ਇੱਕ ਆਮ ਅਲਾਰਮ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਇੱਕ ਸੰਭਾਵਨਾ (probability) ਦੱਸਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਨੇ ਦਿਖਾਇਆ ਕਿ ਅੱਠ ਘੰਟਿਆਂ ਵਿੱਚ ER ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਵੱਧ ਹੋਣ ਦੀ 78% ਸੰਭਾਵਨਾ ਹੈ ਕਿਉਂਕਿ ICU ਬੈੱਡ ਪੂਰੀ ਤਰ੍ਹਾਂ ਭਰਨ ਦੇ ਨੇੜੇ ਸਨ।
ਹਸਪਤਾਲ ਪਹਿਲਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਮਿਲਣ 'ਤੇ ਕੀ ਕਰ ਸਕਦੇ ਹਨ
ਜਦੋਂ ਉੱਚ-ਸੰਭਾਵਨਾ ਵਾਲੀ ਭਵਿੱਖਬਾਣੀ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਪ੍ਰਬੰਧਕ:
- ਸਟਾਫ ਦੇ ਸ਼ਡਿਊਲ ਨੂੰ ਐਡਜਸਟ ਕਰ ਸਕਦੇ ਹਨ ਵਾਧੇ ਤੋਂ ਪਹਿਲਾਂ, ਘੱਟ ਮੰਗ ਵਾਲੇ ਯੂਨਿਟਾਂ ਤੋਂ ਨਰਸਾਂ ਜਾਂ ਡਾਕਟਰਾਂ ਨੂੰ ਤਬਦੀਲ ਕਰਕੇ।
- ਡਿਸਚਾਰਜ ਦੇ ਰਸਤੇ ਜਲਦੀ ਖੋਲ੍ਹ ਸਕਦੇ ਹਨ, ਬੈੱਡ ਖਾਲੀ ਕਰਨ ਲਈ ਕੇਸ ਮੈਨੇਜਰਾਂ ਨਾਲ ਤਾਲਮੇਲ ਕਰਕੇ।
- ਓਵਰਫਲੋ ਸਪੇਸ ਦਾ ਪਹਿਲਾਂ ਤੋਂ ਪ੍ਰਬੰਧ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਅਚਾਨਕ ਵਾਰਡਾਂ ਦੀ ਭੱਜ-ਦੌੜ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕਦਾ ਹੈ।
- ਐਂਬੂਲੈਂਸ ਸੇਵਾਵਾਂ ਨਾਲ ਤਾਲਮੇਲ ਕਰ ਸਕਦੇ ਹਨ ਤਾਂ ਜੋ ਜੇਕਰ ਮਾਡਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੀਮਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਆਉਣ ਵਾਲੀਆਂ ਕਾਲਾਂ ਨੂੰ ਦੂਜੇ ਪਾਸੇ ਮੋੜਿਆ ਜਾ ਸਕੇ।
ਇਹ ਕਦਮ ਮਰੀਜ਼ਾਂ ਦੀ ਆਵਾਜਾਈ ਦੇ "ਹਾਈਵੇਅ" ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਂਦੇ ਹਨ, ਬੈੱਡਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਬਣਾਈ ਰੱਖਦੇ ਹਨ ਅਤੇ ਓਵਰਟਾਈਮ, ਅਸਥਾਈ ਸਟਾਫ ਅਤੇ ਜਟਿਲਤਾਵਾਂ ਦੇ ਖ਼ਰਚਿਆਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ।
ਕਿਸ ਦਾ ਫਾਇਦਾ ਹੋਵੇਗਾ ਅਤੇ ਕਿਸ ਨੂੰ ਚਿੰਤਾ ਹੋਵੇਗੀ
ਮਰੀਜ਼ਾਂ ਨੂੰ ਘੱਟ ਇੰਤਜ਼ਾਰ ਅਤੇ ਸਮੇਂ ਸਿਰ ਇਲਾਜ ਮਿਲਦਾ ਹੈ। ਸਟਾਫ ਨੂੰ ਅਚਾਨਕ ਵਾਧੇ ਕਾਰਨ ਹੋਣ ਵਾਲੇ ਤਣਾਅ ਤੋਂ ਮੁਕਤੀ ਮਿਲਦੀ ਹੈ। ਹਸਪਤਾਲ ਦੇ ਵਿੱਤੀ ਹਾਲਾਤ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਓਵਰਟਾਈਮ ਘਟਦਾ ਹੈ ਅਤੇ ਅਸਥਾਈ ਓਵਰਫਲੋ ਸਪੇਸ ਦੀ ਲਾਗਤ ਘਟਦੀ ਹੈ।
ਇਹ ਤਕਨਾਲੋਜੀ ਚਿੰਤਾਵਾਂ ਵੀ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਸਾਫ਼ ਅਤੇ ਵਿਆਪਕ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ; EHR ਰਿਪੋਰਟਿੰਗ ਵਿੱਚ ਕਮੀਆਂ ਜਾਂ ਦੇਰੀ ਨਾਲ ਅਪਡੇਟਾਂ ਕਾਰਨ ਗਲਤ ਨਤੀਜੇ (false positives) ਨਿਕਲ ਸਕਦੇ ਹਨ ਜੋ ਸਰੋਤਾਂ ਨੂੰ ਬਰਬਾਦ ਕਰਦੇ ਹਨ। ਪ੍ਰਾਈਵੇਸੀ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ—ਬਾਹਰੀ ਸਿਹਤ ਰੁਝਾਨਾਂ ਨੂੰ ਅੰਦਰੂਨੀ ਮਰੀਜ਼ ਦੇ ਡੇਟਾ ਨਾਲ ਜੋੜਨਾ ਸਖ਼ਤ ਨਿਯਮਾਂ ਦੇ ਅਧੀਨ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਗਲਤੀਆਂ ਵਿਸ਼ਵਾਸ ਨੂੰ ਖਤਮ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਵਿਰੋਧੀ ਵਿਚਾਰ: ਇਹ ਕੋਈ ਜਾਦੂਈ ਹੱਲ ਨਹੀਂ ਹੈ
ਆਲੋਚਕ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਕਿ AI ਮਾਡਲ ਪੁਰਾਣੇ ਪੈਟਰਨਾਂ 'ਤੇ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਅਣਪਛਾਤੀਆਂ ਘਟਨਾਵਾਂ, ਜਿਵੇਂ ਕਿ ਅਚਾਨਕ ਮਹਾਂਮਾਰੀ ਦੀ ਲਹਿਰ ਜਾਂ ਵੱਡੇ ਪੱਧਰ ਦੀ ਹਾਦਸਾ, ਨੂੰ ਮਿਸ ਕਰ ਸਕਦੇ ਹਨ। ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਸਿਸਟਮ ਮੰਗ ਦਾ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਹਸਪਤਾਲ ਅਣਪ੍ਰਸਤ ਰਹਿ ਸਕਦੇ ਹਨ। ਅਲਗੋਰਿਦਮਿਕ ਭਵਿੱਖਬਾਣੀਆਂ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰਤਾ ਮਨੁੱਖੀ ਅੰਤਰਬੋਧ (intuition) ਨੂੰ ਵੀ ਕਮਜ਼ੋਰ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਡਾਕਟਰ ਜ਼ਮੀਨੀ ਹਕੀਕਤ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਇੱਕ ਅੰਕੜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲੱਗ ਸਕਦੇ ਹਨ।
ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ
- ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦੀ ਡੂੰਘਾਈ: ਸਫਲਤਾ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ AI ਟੂਲ ਮੌਜੂਦਾ EHR ਵਰਕਫਲੋ ਦੇ ਨਾਲ ਕਿੰਨੀ ਮਜ਼ਬੂਤੀ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ, ਤਾਂ ਜੋ ਸਟਾਫ ਸਿਸਟਮ ਬਦਲੇ ਬਿਨਾਂ ਅਲਰਟਾਂ 'ਤੇ ਕਾਰਵਾਈ ਕਰ ਸਕੇ।
- ਵੈਲੀਡੇਸ਼ਨ ਅਧਿਐਨ: ਵੱਡੇ, ਬਹੁ-ਸਾਈਟ ਟ੍ਰਾਇਲਜ਼ ਨੂੰ ਇਹ ਪੁਸ਼ਟੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਕਿ ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਗਏ ਇੰਤਜ਼ਾਰ ਦੇ ਸਮੇਂ ਵਿੱਚ ਕਮੀ ਦਾ ਅਸਲ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧ