Σύγκριση της αποτελεσματικότητας του συστήματος διαλογής από νοσηλευτές και τεχνητή νοημοσύνη σε τμήματα επειγόντων περιστατικών :μια συστηματική ανασκόπηση

Εισαγωγή: Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (ΤΝ) ερευνάται ως σημαντικό εργαλείο διαλογής στα ΤΕΠ, καθώς μετασχηματίζει τα δεδομένα από στατική κατηγοριοποίηση σε δείκτη εξατομικευμένου κινδύνου για κάθε ασθενή. Τα σύγχρονα μοντέλα Machine learning/deep learning ενσωματώνουν δημογραφικά στοιχεία, ζωτικά σημεία, αλλά και ελεύθερο κείμενο, με στόχο την έγκαιρη και ακριβή λήψη αποφάσεων. Σκοπός: Στόχος της παρούσας συστηματικής ανασκόπησης ήταν να συλλέξει συστηματικά τα ερευντηικά δεδομένα που αφορούν την ακρίβεια και τη χρησιμότητα των εφαρμογών ΤΝ, σε σχέση με καθιερωμένες κλίμακες (ESI, KTAS, TTAS/CTAS, MTS, ETS) που χρησιμοποιούνται στη διαλογή ΤΕΠ. Μέθοδος: Σύμφωνα με Cochrane Handbook και PRISMA πραγματοποιήθηκε συστηματική αναζήτηση (2015–2025) στις διεθνείς βάσεις δεδομένων PubMed και Scopus με πλαίσιο PICO. Χρησιμοποιήθηκαν MeSH/λέξεις-κλειδιά για (α) περιβάλλον/πληθυσμό (emergency department/nursing), (β) παρέμβαση (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (γ) διαλογή (triage, ESI, MTS, CTAS, ATS, RETTS). Οι μελέτες που συμπεριλήφθηκαν στη συστηματική ανασκόπηση αξιολογήθηκαν για την ποιότητα τους με τα εργαλεία JBI Critical Appraisal, και για τις μελέτες ανάπτυξης/επικύρωσης μοντέλων εφαρμόστηκε συμπληρωματικά το εργαλείο αξιολόγησης κινδύνου μεροληψίας PROBAST. Αποτελέσματα: Από τις 5.064 μελέτες που εντοπίστηκαν αρχικά, συμπεριλήφθηκαν τελικά 24 μελέτες. Τα μοντέλα ML/DLΤα μοντέλα ML/DL υπερείχαν των κλιμάκων στην πρόβλεψη εισαγωγής, φροντίδας στη ΜΕΘ, θνησιμότητας και επειγουσών παρεμβάσεων, ιδίως με ενσωμάτωση ελεύθερου κειμένου και εργαστηριακών δεδομένων. Μελέτες ανίχνευσης λανθασμένης διαλογής έδειξαν μείωση υπο-διαλογής σε πιλοτικές εφαρμογές. Τα συστήματα LLMs πέτυχαν μέτρια-καλή συμφωνία σε κλινικά σενάρια με τάση προς υπερ-διαλογή, χωρίς όμως τεκμηριωμένη αποτελεσματικότητα σε πραγματικές συνθήκες. Η ποιότητα των μελετών αξιολογήθηκε συνολικά ως μέτρια (JBI), με ετερογένεια στην εξωτερική επικύρωση, ενώ το εργαλείο PROBAST έδειξε μέτριο κίνδυνο μεροληψίας. Συμπεράσματα: Η ΤΝ μπορεί να ενισχύσει ουσιαστικά τη διαλογή ΤΕΠ, ιδίως με μοντέλα που συνδυάζουν δομημένα και μη δομημένα δεδομένα. Η ασφαλής υιοθέτηση απαιτεί ωστόσο, προσεκτικό σχεδιασμό με τη διενέργεια μεγάλων προοπτικών πολυκεντρικών μελετών για την εφαρμογή μοντέλων ΤΝ, ως συμπληρωματικό εργαλείο στη νοσηλευτική κρίση κατά τη διαλογή, για τη βελτιστοποίηση της ασφάλειας και των κλινικών αποτελεσμάτων των ασθενών.

Authors dc:creator

• Καψή Βασιλική
• Kapsi Vasiliki

• Επιστήμες Υγείας
• Health Sciences

Language dc:language

Ελληνικά, Greek

Identifier

uoadl:5360859

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5360859