在老年护理设施中进行上下文意识警报:一个混合框架,将LLM推理与基于规则的逻辑集成在一起
Nazmun Nahid1, Md Atiqur Rahman Ahad2, Sozo Inoue1
1Graduate School of Life Science and Systems Engineering, Kyushu Institute of Technology, 2-4 Hibikino, Wakamatsu Ward, Kitakyushu 808-0135, Japan.
这项研究引入了老年护理的智能护士警报系统,使用人工智能和基于规则的逻辑,显著减少了72.5%的不必要警报. 这提高了长期护理机构的患者安全和护理人员效率.
科学领域:
- 老年学和健康信息学
- 医疗保健中的人工智能
- 护理和患者安全技术技术
背景情况:
- 长期护理 (LTC) 设施中的传统护士警报系统遭受过多的错误警报,导致警报疲劳和护理质量下降.
- 护士短缺加剧了有效管理患者需求和警报系统的挑战.
- 现有的系统缺乏背景意识,以区分关键警报与非紧急警报,影响护理人员的效率和患者的安全.
研究的目的:
- 开发和评估LTC设施的混合,背景意识的护士警报框架.
- 通过智能抑制,延迟和验证警报,最大限度地减少冗余警报,并减少警报疲劳.
- 在多人护理场景中,提高患者安全和护理人员平衡,例如餐时间.
主要方法:
- 整合基于规则的逻辑与大型语言模型 (LLM) 驱动的语义推理,用于智能警报管理.
- 利用视频衍生的骨运动,住院护理层次的注释,以及动态护士-老年人近距离数据进行决策.
- 在现实世界LTC环境中进行了一项实验性研究,与28名住院人员和4名护士共7天,使用统计分析 (F1分数,准确性,FPR,FNR) 进行绩效评估.
主要成果:
- 与传统系统相比,拟议的框架将平均警报负载降低了72.5% (从100%的基线降至27.5%).
- 在性能指标方面取得了显著的改善:宏观F1得分从0.18增加到0.97,准确性从0.21增加到0.98.
- 错误率大幅降低,假阳性率 (FPR) 从0.20降至0.005,假阴性率 (FNR) 从0.79降至0.023,表现优于基线和基于规则的方法.
结论:
- 混合警报框架有效地减少了错误警报,并保持了LTC设置中的运营效率.
- 基于LLM的上下文推理与基于规则的系统的整合提高了警报准确性,并减轻了警报疲劳.
- 该系统促进了更安全,更可持续和以人为中心的护理实践,证明了它适合在现实世界LTC环境中实际部署.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
相关概念视频
Documentation in Long-Term and Home Healthcare Setting
Long-Term Care Facilities
High-Level and Low-Level Awareness
Reasoning
Inductive reasoning involves deriving generalizations from specific observations. This type of reasoning helps form beliefs about the world. For example,...
Specialized Care Centers and Settings-I
Daycare centers
They provide several functions. Some facilities care for healthy newborns and children whose parents work, while others are medically focused and care for...
Ethical Dilemmas II
Continuing Care
