使用视觉患者来显示生命体征预测,一个基于计算机的混合定量和定性模拟研究

科学领域:

• 医疗信息学 医疗信息学
• 人与计算机的交互
• 医疗保健中的机器学习

背景情况:

• 机器学习模型可以预测未来患者的生命体征.
• 将这些预测集成到化身可视化 (Philips Visual-Patient-avatar) 中,通过非数字化地呈现数据来帮助人类护理人员.
• 这种方法旨在提高复杂的患者监测数据的可用性.

研究的目的:

• 将基于机器学习的生命体征预测集成到患者的视觉化身中.
• 评估医疗保健专业人员对这些可视化的理解性和可用性.
• 收集用户反,以便在未来开发可视化系统.

主要方法:

• 一项模拟研究涉及70名参与者 (麻醉师和重症治疗师) 在3家欧洲医院.
• 参与者确定了包括条件和紧迫性在内的预测可视化.
• 通过采访收集定性反,并在在线调查中进行评分.

主要成果:

• 仅仅是条件的正确识别为93.8%;当紧急情况被包括在内时,准确性下降了 (77.9%).
• 65.3%的人认为可视化有趣,61.2%的人可以想象使用它们,但65.3%的人发现紧急情况难以识别.
• 用户反表明需要在可视化预测紧迫性方面进行改进.

结论:

• 护理人员准确地识别了超过90%的预测条件,没有紧急情况.
• 识别条件和紧急情况的准确性较低,突出显示了可用性挑战.
• 未来的开发将专注于仅显示条件或增强紧急可视化,以更好地进行临床整合.