使用生成人工智能来识别与中央线路相关的血液感染

科学领域:

• 改善医疗保健质量 改善医疗保健质量
• 传染病监测 传染病监测 传染病监测 传染病监测
• 医学中的人工智能

背景情况:

• 中线相关血流感染 (CLABSI) 监测是美国医院的强制性程序.
• 目前的CLABSI监测依赖于手动图表审查,这需要大量的时间.
• 生成型人工智能 (AI) 为自动化和改进CLABSI识别提供了一个潜在的解决方案.

研究的目的:

• 与传统方法相比,评估人工智能辅助的CLABSI监控的准确性和效率.
• 评估医疗保健专业人员对人工智能驱动的监控工具的偏好.
• 确定人工智能的潜力,以提高医疗保健相关感染报告的准确性和减少变异性.

主要方法:

• 在11家医院进行了一项回顾性队列研究.
• 标准化提示,临床数据和CDC定义用于CLABSI监测.
• 我们比较了三种审查方法:人工智能辅助,人工智能单独和重复专家审查,由医生小组进行裁决.

主要成果:

• 人工智能辅助审查显示了93.2%的准确性,超过了单独的人工智能 (90.0%) 和重复专家审查 (88.2%).
• 人工智能辅助审查显著更快 (中位数为14分钟),并且被认为是较低的努力 (52%对21%) 比重复的专家审查.
• 与重复的专家审查相比,人工智能辅助的审查显示了较少的跨站点变化.

结论:

• 基于人工智能的CLABSI检测方法至少与传统的手动审查一样准确.
• 医疗保健专家更喜欢人工智能辅助审查,因为速度快,工作量减少和客观性.
• 在CLABSI监测中实施AI可能会提高医疗保健相关感染报告的效率和可靠性.