分享一篇AI在感控研究中的应用的文献

美滋滋

AI已渗透到各个领域


Artificial intelligence-based tools to control healthcare associated.pdf (1.14 MB, 下载次数: 44)

2023-6-14 12:50 上传

点击文件名下载附件

缭绕

用软件翻译了摘要：
控制医疗保健相关感染的基于人工智能的工具:文献系统综述

背景：医疗保健相关感染(HAI)是医疗保健中最常见的不良事件，也是全球公共卫生问题。监测是有效预防和控制医院感染的基础。人工监控劳动强度大、成本高，而且缺乏标准化。人工智能(AI)和机器学习(ML)可能会支持HAI监测算法的发展，旨在了解HAI的危险因素，改善患者的风险分层，识别传播路径，及时或实时检测。关于人工智能和ML在人工智能领域的实施，几乎没有证据，也没有关于其影响的明确模式。

方法：我们按照PRISMA指南进行了系统的综述，系统地检索、定量地汇集和批判性地评价关于基于ML的HAIS检测模型的发展、实施、性能和影响的现有证据。

结果：在3445篇已确定的引文中，有27篇研究纳入综述，其中大多数发表在美国(n=15，55.6%)和手术部位感染(n=8，29.6%)。共纳入1个随机对照试验。在纳入的研究中，17(63%)的ML方法被归类为预测性的，10(37%)的被归类为回顾性的。大多数研究比较了ML算法与非ML Logistic回归统计算法的性能，18.5%的研究比较了不同的ML模型的性能，11.1%的研究评估了ML算法的性能与临床诊断得分相比较，11.1%的研究评估了ML算法与标准或自动监测模型的性能。总体而言，有适度的证据表明，与非ML方法相比，基于ML的模型表现相同或更好，并且它们达到了相对较高的性能标准。然而，这些研究之间的异质性非常高，并且在按感染类型或结果类型进行的亚组分析中没有显著消散。

讨论：现有证据主要集中在人类免疫缺陷病毒检测和预测模型的开发和测试，而它们在研究、医疗质量改进或国家监测目的中的采用和影响仍远未被探索。

缭绕

Introduction
医疗保健相关感染(HAI)是指在护理过程中发生的感染，是医疗保健中最常见的不良事件，是对患者安全的主要威胁，也是全球公共卫生问题[1]。HAIS的影响反映在相当大的临床和财政负担上，如住院时间延长、过度死亡和长期残疾、抗菌素耐药性增加、卫生系统的直接费用增加以及患者和家庭的经济损失[2]。据估计，欧洲每年发生260多万与医疗保健相关的新感染病例，累积负担高于所有其他报告的传染病[3，4]。最近东南亚和非洲突出了人类免疫缺陷的惊人负担[5，6]。在美国，每天每31名患者中就有1人至少发生一种与健康相关的感染，每年导致72,000人死亡[46]。Meta分析估计，美国每年因以下累积负担造成的成本约为100亿美元：中心线相关血流感染(CLABSI)、呼吸机相关肺炎(VAP)、手术部位感染(SSI)、艰难梭菌感染(CDI)和导管相关尿路感染(CAUTI)[8]。

HAIS监测是组织、实施和维持有效的感染预防和控制程序的基础。HAIS监测的目标是：量化感染率，并在医疗机构内部/之间进行比较；聘请临床团队采用最佳做法；引入以证据为基础和具有成本效益的干预措施，以减少HAI；以及确定优先分配资源的领域。监测数据用于量化和监测禽流感病毒的负担、检测疫情、确定风险因素、规划、实施和评估控制干预措施、确定需要改进的领域以及满足报告任务[13]。各种监测方法已被推荐和验证[9]，包括持续监测、主动/被动监测、患病率调查、基于警报的监测，所有这些方法都具有不同的特点和不同的比率，都是劳动密集型、昂贵和耗时的[10]。

信息技术(IT)的进步和健康数据的逐步数字化为医疗保健部门提供了新的工具和潜力，包括HAIS监测的自动化[11]。正如最近概述的那样，不同来源的电子健康数据的可获得性可能至少在三个不同层面上促进HAI电子监测系统：(1)提高监测做法的可靠性、效率和标准化[11]，(2)降低成本和节省时间，以及(3)允许实时分析和行动[12]。

虽然自动化和半自动的HAI监视系统传统上是基于FIX和先验定义的分类算法或简单的基于规则的决策树，但新的证据表明，人工智能(AI)和机器学习--后者旨在作为一套广泛和不同种类的统计和计算技术的总称--可以支持HAI监视算法的开发[11]。广义地说，机器学习(ML)指的是迭代和自动优化数学模型，以渐进的精度拟合可用的数据。在方框1概述的理论概念的基础上，将其应用于感染预防和控制可以促进对禽流感风险因素的更好理解，改进患者风险分层，识别传播途径，以及及时或实时检测和控制。

尽管这种方法很有希望，但关于人类免疫系统领域中ML实施的文献证据很少，也没有关于其影响的明确模式。

本研究的目的是收集和总结有关人工智能在 HAI 控制中的应用和影响的可用证据。具体目标是：系统地检索 (i) 基于 AI 的 HAI 检测经验，(ii) 与传统手动或自动检测方法相比，它们的性能指标，(iii) 汇集和批判性评估有关该主题的可用证据，概述潜在的优势和缺陷，并强调当前的知识差距。

谈小洁

谢谢美滋滋老师分享，谢谢热心的缭绕老师~

缭绕

我觉得未来的医院感染监测软件应会使用AI技术。而现有的所有院感监测软件，只是统计功能而已。
几年前，我跟我们医院的院感软件公司也讨论过这个问题，最常见的是如何从病程录的文字里面提取感染的信息，如写着发热，就怀疑是否有感染？然后最后变成了有发热两个字的就给我显示红色字体。

美滋滋

谢谢缭绕老师，未来的智能化可能会超出想象

DAISY1984

谢谢美滋滋老师分享，谢谢热心的缭绕老师~

穆嘉衡

学习了，谢谢老师分享

海边的草

路过学习了，谢谢分享

草莓007

感谢老师的分享。

缭绕

各位，你们天马行空地想一想，如果有AI技术支持，你希望能做到哪些功能？比如我想到的识别院感病例，识别院感暴发？你有哪些期待呢？

jerkran

缭绕 发表于 2023-6-14 16:41
各位，你们天马行空地想一想，如果有AI技术支持，你希望能做到哪些功能？比如我想到的识别院感病例，识别院 ...

AI机器人培训、风险识别，等方方面面都可以的，但可以肯定的是一定可以提高效率，减少人力资源                                                        

那颜

我觉得AI的功能还在于能够，随时生成所需的相关数据，图形，或者分析文字，有人说那么感控是不是要失业了，我觉得不会，我们要掌握的是学习训练方法和修正错误的能力，让AI的感控领域更好的方便使用，产出有效数据，指导临床决策。

雪儿飘

路过学习，谢谢各位老师的分析、分享。。。。

大魔导师

缭绕 发表于 2023-6-14 14:00
用软件翻译了摘要：
控制医疗保健相关感染的基于人工智能的工具:文献系统综述

感谢分享                您想的很周到

hong章鱼

谢谢老师分享