相关实验视频
Updated: Sep 14, 2025
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
6.5K
儿童人工智能败血症模型的人类性能评估
Swaminathan Kandaswamy1, Naveen Muthu1,2, Nikolay Braykov2
1Pediatrics, Emory University School of Medicine, Atlanta, GA, 30307, United States.
概括
人工智能 (AI) 败血症警报提高了急诊室 (ED) 的临床医生情况意识,但也显示了一些自动化偏差和增加的工作量. 这项研究强调了AI在临床实践中混合方法评估的可行性.
科学领域:
- 临床信息学 临床信息学
- 医疗保健中的人工智能
- 患者安全 患者安全
背景情况:
- 败血症仍然是儿科紧急护理的一个关键挑战.
- 预测性人工智能 (AI) 模型为早期败血症检测提供了潜力.
- 评估人工智能对人类表现的影响对于成功实施至关重要.
研究的目的:
- 评估用于预测儿科败血症的实施人工智能模型对急诊室 (ED) 人类绩效指标的影响.
- 为了评估临床医生的情况意识,信任,工作量和与AI败血症警报相关的自动化偏见.
主要方法:
- 一种混合方法的方法,将定性访谈与定量电子健康记录 (EHR) 数据分析相结合.
- 在患者被AI败血症模型标记后72小时内,采访了40名ED提供者和护士.
- 评估人类绩效指标,包括情境意识,可解释性,人机协议,工作量,信任,自动化偏见和员工患者关系.
主要成果:
- 人工智能败血症警报提高了临床医生的情况意识,影响了患者护理管理,资源配置和监测.
- 临床医生报告说,对人工智能警报的平均信任率为3.8/5;然而,28%的败血症聚集发生在没有警报的情况下,表明潜在的自动化偏见.
- 败血症病例的抗生素治疗率在干预前和干预后相似,但没有聚集,但随着干预增加了一倍;NASA任务负载指数从43增加到57.
结论:
- 人工智能败血症预测模型通常对人类表现产生积极影响,提高了情境意识和对警报驱动的败血症聚集的满意度.
- 观察到自动化偏差的证据和工作负载的轻微增加.
- 该研究表明,在临床实践中评估人工智能的混合方法方法的可行性,并建议未来的研究应该集中在减少测量负担和将人类表现与临床结果相关联.
