[论文解读] Before and After: Machine learning for perioperative patient care

Iuliia Ganskaia, Stanislav Abaimov|arXiv (Cornell University)|Jan 20, 2022

Artificial Intelligence in Healthcare and Education被引用 8

一句话总结

这篇跨学科综述提出了一套针对围手术期患者护理中机器学习（ML）应用的技术分类框架，按流程、患者、操作者、反馈和科技焦点五个维度对系统进行分类。该综述展示了ML如何通过数据驱动的决策支持，提升术前诊断、术中监测和术后康复水平，同时强调了在真实临床环境中部署时面临的可信度、网络安全和伦理挑战。

ABSTRACT

For centuries nursing has been known as a job that requires complex manual operations, that cannot be automated or replaced by any machinery. All the devices and techniques have been invented only to support, but never fully replace, a person with knowledge and expert intuition. With the rise of Artificial Intelligence and continuously increasing digital data flow in healthcare, new tools have arrived to improve patient care and reduce the labour-intensive work conditions of a nurse. This cross-disciplinary review aims to build a bridge over the gap between computer science and nursing. It outlines and classifies the methods for machine learning and data processing in patient care before and after the operation. It comprises of Process-, Patient-, Operator-, Feedback-, and Technology-centric classifications. The presented classifications are based on the technical aspects of patient case.

研究动机与目标

• 通过将机器学习整合到围手术期患者护理中，弥合计算机科学与护理学之间的差距。
• 解决机器学习在术前和术后改善患者结局方面尚未被充分探索的潜力。
• 基于流程、患者、操作者、反馈和技术等技术与操作维度，对患者护理中的机器学习应用进行分类。
• 识别在临床环境中推广机器学习时涉及的可信度、网络安全和伦理方面的主要挑战。
• 指导未来人工智能工具的开发，使其支持而非取代护理和外科医疗中的临床专业知识。

提出的方法

• 提出一个五维分类系统：以流程、患者、操作者、反馈和科技为中心，用于围手术期护理中的机器学习应用。
• 分析现有智能设备（如智能病床、物联网传感器、机器人系统）与机器学习结合，实现实时监测和数据处理。
• 使用监督学习、无监督学习和强化学习技术，基于历史和流式健康数据训练模型，用于预测性诊断。
• 采用马斯洛需求层次理论作为概念框架，将机器学习应用与以患者为中心的护理原则对齐。
• 在机器学习流程中评估数据隐私等级——匿名、机密和公开——以确保合规性和安全性。
• 审查实时数据处理和模型可解释性方面的现有局限，倡导采用渐进式、辅助性方式部署机器学习系统。

实验结果

研究问题

• RQ1 如何在围手术期患者护理的背景下，系统性地对机器学习进行分类？
• RQ2 哪些技术和操作维度定义了在护理和外科支持系统中有效整合机器学习的关键因素？
• RQ3 机器学习在不取代临床判断的前提下，如何改善术前诊断和术后康复？
• RQ4 在实时临床环境中部署用于患者护理的机器学习时，存在哪些关键的伦理、安全和可信度相关挑战？
• RQ5 如何设计基于机器学习的系统，使其支持而非取代护士和临床医生的人类直觉与专业能力？

主要发现

• 机器学习可显著提升医疗护理的效率，加速患者康复，并减轻围手术期的压力。
• 目前机器学习在患者护理中的应用主要局限于优化数据收集与分析，而非实现实时、自主的决策。
• 网络攻击构成严重风险，已有记录显示医疗系统遭受勒索软件攻击导致患者死亡。
• 由于与人类决策相比，机器学习系统的准确性和可解释性仍显不足，医疗人员对其信任度较低。
• 医疗领域中机器学习的整合受到伦理问题的制约，尤其是涉及影响生死决策的自主系统。
• 标准化和监管指导（如英国国家筛查委员会发布的临时人工智能指导）正在出现，但尚不足以支持广泛部署。