Gépi tanulás képes lehet megjósolni a várakozási időt, sőt akár a késést is

Közösségek - AI - Mesterségs Intelligencia | 2018. július 29. 06:35 | Utolsó módosítás dátuma - 2019. március 12. 21:10 | Forrás: radiologia.hu - referáló - dr. Firtkó Szilveszter

Fontos kulcseleme lenne a betegelégedettségnek, valamint a megfelelő menedzsmentnek is, hogy pontosan meg tudjuk jósolni a betegek várakozási idejét egyes vizsgálatokra. A gépi tanulás segíthet ennek a meghatározásban, derült ki egy nemrég megjelent tanulmányból, melyet a Journal of the American College of Radiology (JACR) közölt.

Gépi tanulás képes lehet megjósolni a várakozási időt, sőt akár a késést is

A Massachusetts General Hospitalban (MGH) Oleg Pianykh PhD által vezetett csoport többféle gépi tanulási modellt tesztelt arra vonatkozóan, hogy milyen effektíven képesek megjósolni a betegek várakozási, valamint az intézmény általi késések idejét a CT, MRI, ultrahang és röntgen modalitásokban egyaránt. Azt találták, hogy mint sok esetben, az egyszerűbb a jobb technika.

"Eddig számos gépi tanuláson alapuló kutatás jelent meg a képfeldolgozást illetően vagy a radiológusok munkafolyamatainak segítésében, viszont eddig egyik se foglalkozott azzal, hogy hogyan lehetne az üzemeltetési oldalt jobbá tenni. Azt találtuk, hogy az egyik legalapvetőbb algoritmus, az elastic-net képes lehet megfelelően megjósolni a páciens várakozási, valamint a vizsgálat késési idejét is." - mondta a kutatás vezetője az AuntMinnie-nek.

Pozitív előrejelzések
Várakozási idő, valamint az előjegyzési késések elégedetlen betegekhez vezethetnek - aminek akár hosszabb távú negatív hatásai lehetnek a mindennapokban.
"A várakozási, valamint a késési idő pontosságának pszichológiai hatásai lehetnek a betegekre nézve. Ha arról tájékoztatod a pácienst, hogy körülbelül 20 percet kell várakoznia, viszont, ha csak 5 percet kellett, akkor boldog lesz, szemben azzal, ha ez fordítva történik meg, akkor lehet, hogy elégedetlen lesz és nem is várja meg a vizsgálat kezdetét. Eddig is használtunk egyes előrejelző modelleket, amelyek valamilyen módon hatásosak voltak, viszont szerettünk volna egy megfelelően pontos és komplexebb változatot kifejleszteni." – mondta Pianykh.

A kutatás során CT-t, MRI-t, ultrahangot és röntgen vizsgálatokat vettek górcső alá 2016. júliusa és 2017. januárja közötti időszakból az MGH-ban, csak a röntgenben nincs előjegyzés. A kutatók a kórház RIS rendszerét használták, amiből kilenc paramétert vizsgáltak meg:

  • Páciens érkezési idő
  • Vizsgálat kezdete és vége
  • Első képkészítés időpontja
  • Vizsgálat kódja
  • Vizsgálat leírása
  • Szkenner neve
  • Modalitás
  • Kórházi részleg, aki kérte a vizsgálatot
  • Előjegyzési idő (CT, MRI, és ultrahang)

A kutatók a késési időt úgy számították, hogy fogták az előjegyzési időt, a tervezett vizsgálati időt és az első képkészítés időpontját: a várakozási idő az lett, amit a megérkezés és az első felvétel megkezdése között mértek.

A sima RIS adatokat használva, Pianykh és a kollégái készítettek egy 40 variánsból álló listát, ami hozzájárult a késési és a várakozási időhöz. Általános előrejelző kategóriákba tartozott a vizsgálat specifikus adatok, a munkaszüneti napok közelsége, valamint a betegek érkezési sorrendje is.

A kutatók ezután 10 különböző mély tanulási algoritmust tanítattak az adatkészletükkel, hogy megtalálják, melyik lenne a legmegfelelőbb mind a négy modalitás számára. Az algoritmusok közé neurális hálózat, elastic-net, random forest, support vector machine, k-nearest neighbor, gradient boosting machine és még további hálózatok tartoztak. A csoport ezután mindegyik modellnek megvizsgálta a root mean square error (RMSE) értékét, amivel a pontosságot lehet mérni, valamint az R2 értékét (amivel azt lehet megnézni, hogy a modell, hogyan alkalmazkodik a feladathoz).

Pianykh és kollégái észrevették, hogy az elastic-net és a gradient boosting machine algoritmus ért el a legjobb RMSE és R2 értéket, valamint a legeffektívebb és a leginkább pontos lett a várakozási idő és a késések megjósolásában is. Legvégül pedig a csoport az elastic-net algoritmust választotta, mert ez volt a legeffektívebb számítástechnikailag.

"Az elastic-net algoritmus egy fejlettebb formája a klasszikus lineáris regressziónak és képes a fejlett fontos prediktorok megtanulására, még nagy felbontású és zajos adatoknál is." – állítja Pianykh. A legfontosabb prediktorok a várakozási időben a páciensek várakozási sora, a vizsgálatra váró sor, amikor ugyanazon időpontra, több páciens is van előjegyezve, valamint a medián vizsgálati idő volt az öt leggyakoribb vizsgálatnál (legfőképp az ultrahangnál és az MRI-nél).

A gépi tanulásnak számítási ereje révén egy megfelelő eljárás lehet abban, hogy felismerje, és előre jelezze a "kifinomult és zajos jelenségeket", mint például a várakozási idők.
"Azt találtuk, hogy a leginkább megfelelő algoritmusnak nem feltétlenül a legbonyolultabbnak kell lennie. De az mindenképp igaz hogy a gépi tanulás képes javítani a mindennapi gyakorlatokat és így a betegek elégedettségét is." – zárta le Pianykh.

A referáló forrása: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&itemId=118810

További cikkek