AI முன்னறிவிப்பு கருவிகள் இப்போது மருத்துவமனைகள் நோயாளிப் பரிமாற்றத் தடைகளை ஒரு நாளை முன்னதாகவே கண்டறிய உதவுகின்றன. இது நிர்வாகிகளுக்குத் தகுந்த நேரத்தில் தலையிட ஒரு வாய்ப்பை வழங்குகிறது. Northwell Health, NHS England மற்றும் Johns Hopkins ஆகியவற்றின் ஆரம்பகால சோதனைகள் 6 முதல் 24 மணிநேரம் முன்னதாகவே கணிப்புகளைத் தருவதாகத் தெரிவிக்கின்றன. இது அவசர சிகிச்சைப்பிரிவு (ER) காத்திருப்பைக் குறைக்கவும் பணியாளர் அழுத்தத்தைக் குறைக்கவும் உதவும் ஒரு மாற்றமாகும்.

மருத்துவமனைகள் ஏன் முன்னரே திட்டமிட வேண்டும்

நெரிசலான அவசர சிகிச்சைப்பிரிவு என்பது வெறும் அசௌகரியம் மட்டுமல்ல; ஐந்து மணிநேரக் காத்திருப்பு மன அழுத்தத்தை அதிகரிக்கிறது, சிகிச்சையைத் தாமதப்படுத்துகிறது மற்றும் சிக்கல்களின் அபாயத்தை அதிகரிக்கிறது. ஒரு வார்டு (ward) கொள்ளளவை விட நிரம்பும்போது, பணியாளர்கள் தற்காலிகத் தீர்வுகளை நாடுகிறார்கள்—கூடுதல் செவிலியர்களை அழைப்பது, கூடுதல் இடங்களைத் திறப்பது அல்லது ஆம்புலன்ஸ்களை வேறு திசையில் அனுப்புவது போன்றவை. இத்தகைய நடவடிக்கைகள் எதிர்வினை ஆற்றும் (reactive) தன்மையுடையவை, செலவு மிகுந்தவை மற்றும் தடைகள் ஏற்பட்ட பிறகு அவற்றைச் சரிசெய்வது பெரும்பாலும் தாமதமாகிவிடும்.

முன்னறிவிப்புகளைத் தூண்டும் தரவுகள்

AI மாதிரிகள் மூன்று தரவுத் தொகுப்புகளைப் பயன்படுத்துகின்றன:

  • வரலாற்றுப் பதிவுகள் (Historical admission records): இவை ஒவ்வொரு பருவகாலம் மற்றும் வாரத்தின் ஒவ்வொரு நாளுக்கும் உரிய அடிப்படைப் போக்குகளைக் காட்டுகின்றன.
  • நிகழ்நேரப் பயன்பாட்டுத் தரவுகள் (Real-time occupancy data): மின்னணு சுகாதாரப் பதிவுகளிலிருந்து (EHR) பெறப்படும் இவை, எத்தனை படுக்கைகள் பயன்பாட்டில் உள்ளன, எத்தனை நோயாளிகள் டிஸ்சார்ஜ் (discharge) ஆவதற்காகக் காத்திருக்கிறார்கள் மற்றும் எங்குத் தடைகள் உருவாகின்றன என்பதைத் துல்லியமாகக் காட்டுகின்றன.
  • வெளிப்புறத் தகவல்கள் (External signals): வானிலை முன்னறிவிப்பு, உள்ளூர் காய்ச்சல் பரவல் அல்லது வெப்ப அலை எச்சரிக்கைகள் போன்றவை, இவை வரலாற்று ரீதியாகப் பாதிப்பு அதிகரிப்புடன் தொடர்புடையவை.

இந்தத் தரவுகளை ஒரு பயிற்சி பெற்ற இயந்திரக் கற்றல் (machine-learning) மாதிரியில் செலுத்துவதன் மூலம், நுணுக்கமான அறிகுறிகளைக் கண்டறிய முடியும்—உதாரணமாக, காய்ச்சல் தொடர்பான வருகைகளில் திடீர் அதிகரிப்பு, ஸ்கேன் (imaging) செய்வதற்கான நீண்ட வரிசை அல்லது தீவிர சிகிச்சைப் பிரிவு (ICU) படுக்கைகளின் பற்றாக்குறை. இது ஒரு பொதுவான எச்சரிக்கையைத் தராமல், ஒரு நிகழ்தகவை (probability) வழங்கும். உதாரணமாக, ஒரு சோதனைத் திட்டத்தில், ICU படுக்கைகள் நிரம்ப நெருங்கிக் கொண்டிருந்ததால், எட்டு மணிநேரத்தில் ER கொள்ளளவு அதிகரிக்கும் 78% வாய்ப்பு இருப்பதாகக் காட்டப்பட்டது.

முன்னறிவிப்பு கிடைத்தவுடன் மருத்துவமனைகள் என்ன செய்யலாம்

அதிக நிகழ்தகவு கொண்ட முன்னறிவிப்பு வரும்போது, நிர்வாகிகளால் பின்வருவனவற்றைச் செய்ய முடியும்:

  • பணியாளர் அட்டவணையைச் சரிசெய்தல்: நெரிசல் ஏற்படும் முன்பே, குறைந்த தேவை உள்ள பிரிவுகளில் இருந்து செவிலியர்கள் அல்லது மருத்துவர்களை மாற்றியமைக்கலாம்.
  • டிஸ்சார்ஜ் நடைமுறைகளை முன்கூட்டியே தொடங்குதல்: படுக்கைகள் காலியாக இருப்பதை உறுதி செய்ய கேஸ் மேனேஜர்களுடன் (case managers) ஒருங்கிணைந்து செயல்படலாம்.
  • கூடுதல் இடங்களை முன்கூட்டியே ஒதுக்குதல்: அவசரமாகத் தற்காலிக வார்டுகளைத் தயார் செய்வதைத் தவிர்க்கலாம்.
  • ஆம்புலன்ஸ் சேவைகளுடன் ஒருங்கிணைதல்: முன்னறிவிப்பு ஒரு முக்கியமான நிலையை எட்டும் என்று கணித்தால், வரும் அழைப்புகளை வேறு மருத்துவமனைக்குத் திருப்பலாம்.

இந்த நடவடிக்கைகள் நோயாளிகளின் நகர்வை எளிதாக்குகின்றன, படுக்கைகளின் பயன்பாட்டைத் தொடர்ச்சியாக வைத்திருக்கின்றன மற்றும் கூடுதல் நேரம் (overtime), தற்காலிகப் பணியாளர்கள் மற்றும் சிக்கல்களுக்கான செலவுகளைக் குறைக்கின்றன.

யாருக்கு லாபம், யாருக்குக் கவலை

நோயாளிகள் குறைந்த காத்திருப்பு நேரத்தையும் சரியான நேரத்திலான சிகிச்சையையும் பெறுகின்றனர். பணியாளர்கள் குழப்பமான நெரிசல்களால் ஏற்படும் மன அழுத்தத்தைக் குறைக்க முடிகிறது. கூடுதல் நேரச் செலவு மற்றும் தற்காலிக இடங்களுக்கான செலவு குறைவதால் மருத்துவமனையின் நிதி நிலை மேம்படுகிறது.

இருப்பினும், இந்தத் தொழில்நுட்பம் சில கவலைகளையும் எழுப்புகிறது. முன்னறிவிப்பின் துல்லியம் சுத்தமான மற்றும் விரிவான தரவுகளைச் சார்ந்துள்ளது; EHR அறிக்கைகளில் உள்ள இடைவெளிகள் அல்லது தாமதமான புதுப்பிப்புகள் தவறான எச்சரிக்கைகளை உருவாக்கி வளங்களை வீணடிக்கலாம். தனியுரிமையும் முக்கியமானது—வெளிப்புற சுகாதாரப் போக்குகளை உள்நோயாளித் தரவுகளுடன் இணைக்கும்போது கடுமையான விதிமுறைகளைப் பின்பற்ற வேண்டும், இல்லையெனில் அது நம்பிக்கையைச் சிதைக்கக்கூடும்.

மாற்றுக்கருத்து: இது ஒரு மாயத் தீர்வு அல்ல

AI மாதிரிகள் வரலாற்றுத் தரவுகளுக்கு மிகையாகப் பொருந்தி (overfit), திடீர் பெருந்தொற்று அல்லது பெரும் விபத்து போன்ற எதிர்பாராத நிகழ்வுகளைத் தவறவிடக்கூடும் என்று விமர்சகர்கள் எச்சரிக்கின்றனர். அத்தகைய சூழல்களில், அமைப்பு தேவையைத் தவறாகக் கணித்து, மருத்துவமனைகளைத் தயார் நிலையில் வைத்திருக்காமல் விடக்கூடும். அல்காரிதமிக் (algorithmic) முன்னறிவிப்புகளை மட்டும் அதிகம் நம்பியிருப்பது மனித உள்ளுணர்வை மழுங்கடிக்கலாம், இதனால் மருத்துவர்கள் கள நிலவரத்தைப் பார்ப்பதற்குப் பதிலாக ஒரு எண்ணை மட்டுமே நம்பி முடிவெடுக்கத் தூண்டப்படலாம்.

அடுத்து கவனிக்க வேண்டியவை

  • ஒருங்கிணைப்பின் ஆழம் (Integration depth): பணியாளர்கள் அமைப்புகளை மாற்றாமல் எச்சரிக்கைகளின் அடிப்படையில் செயல்பட, இந்த AI கருவி தற்போதுள்ள EHR பணிப்பாய்வுகளுடன் (workflows) எவ்வளவு நெருக்கமாக இணைக்கப்பட்டுள்ளது என்பது முக்கியம்.
  • சரிபார்ப்பு ஆய்வுகள் (Validation studies): முன்னறிவிக்கப்பட்ட காத்திருப்பு நேரக் குறைப்பு, அளவிடக்கூடிய மருத்துவ முன்னேற்றங்களாக மாறுகிறது என்பதைப் பெரிய அளவிலான ஆய்வுகள் உறுதிப்படுத்த வேண்டும்.
  • ஒழுங்குமுறை வழிகாட்டுதல் (Regulatory guidance): முன்னறிவிப்பு பகுப்பாய்வு வழக்கமான ஒன்றாக மாறும்போது, மாதிரி வெளிப்படைத்தன்மை மற்றும் பாரபட்சத்தைக் குறைப்பதற்கான தரநிலைகளை சுகாதாரத் துறையினர் வெளியிடலாம்.
  • தத்தெடுப்பு வேகம் (Adoption pace): ஆரம்பகாலப் பயனர்களே தரநிலையைத் தீர்மானிப்பார்கள்; Northwell, NHS England மற்றும் Johns Hopkins ஆகியவை உறுதியான முடிவுகளை வெளியிட்டால், சிறிய மருத்துவமனைகளும் அவற்றைப் பின்பற்றும்.

சுருக்கமாகச் சொன்னால்

முன்னறிவிப்பு AI, நோயாளிப் பரிமாற்ற மேலாண்மையை ஒரு அவசர காலத் தீர்வு காணும் பணியிலிருந்து, ஒரு முன்முயற்சி எடுக்கும் திட்டமிடல் செயல்முறையாக மாற்றுகிறது. வார்டுகளில் நெரிசல் ஏற்படும் ஆறு முதல் இருபத்தி நான்கு மணிநேரத்திற்கு முன்பே தடைகளைக் கண்டறிவதன் மூலம், மருத்துவமனைகள் பணியாளர்கள், படுக்கைகள் மற்றும் வளங்களை மிகவும் புத்திசாலித்தனமாக ஒதுக்கீடு செய்யலாம். தரவுகள் வலுவாகவும், மாதிரிகள் வெளிப்படையாகவும், மனிதத் தலையீடு தொடர்ச்சியாகவும் இருக்கும் பட்சத்தில், இது சிகிச்சையை மேம்படுத்திச் செலவுகளைக் குறைக்கும்.