ݺߣ

ݺߣShare a Scribd company logo

Dr.Ahmet COŞAR YAPAY ZEKANIN KARAR VERMEDE YERİ

•Download as PPTX, PDF•
•
A
acosar49

YAPAY ZEKA YBAKIM

1 of 54
Download to read offline
Yapay Zekanın Yoğun Bakımda Kullanımı Dr. Ahmet Coşar Sağlık Bilimleri Üniversitesi Gülhane Tıp Fakültesi Anesteziyoloji ve Reanimasyon Ana Bilim Dalı Gülhane Eğitim ve Araştırma Hastanesi
• Farklı hastalıklara sahip çeşitli hastaların (HETEROJENİTE) • Yoğun, dinamik ve sürekli akan veri trafiği Demografi Yandaş hastalıkları Hikaye / FM Monitörizasyon Lab • Tümünün gerçek zamanlı ve dinamik yorumlanması • Günümüzde insan gücünü aşaması • Verilerin klasifiye edilerek karar vermede hekime ‘kritik düşünme’ desteği sağlanması ISSN: 2089-4864, DOI: 10.11591/ijres.v12.i1.pp42- 50 Yoğun bakım neresi ?
Klinik Karar Destek Sistemleri (KKDS) “sağlık hizmeti sunumunu iyileştirmek için sağlıkla ilgili kararları ve eylemleri organize klinik bilgiyle geliştirmeye yönelik bir süreç” olarak tanımlanmaktadır. Profesyonellere spesifik, filtrelenmiş ve organize edilmiş bilgiler sağlamak için elektronik sağlık kaydının temeline dayanan sağlık bilgi teknolojisidir
Klinik Karar Destek Sistemleri Sağlık hizmeti sunumunu iyileştirmek için sağlıkla ilgili kararları ve eylemleri organize klinik bilgiyle geliştirmeye yönelik bir süreç olarak tanımlanır KKDS haftalık antikoagulan dozajı gibi tek bir özel görevi destekleyerek daha spesifik olabilir veya farklı yardımcıların entegre edilmesiyle daha karmaşık olabilir
Klinik Karar Destek Sistemleri Veri girişini, veri incelemesini, yönetimini ve uyarıları iyileştirebilir Yakın gelecekte daha karmaşık, kullanışlı sistemler geliştirilecek Yoğun bakım izlemenin önemli bir parçası haline getirecektir
Klinik Karar Destek Sistemleri Son zamanlarda, çeşitli unsurlar bu konseptin önemli ve pratik uygulamalara uygulanmasını mümkün kılmaktadır • Dijitalleşme ve tıbbi cihazların elektronik kayıt sistemleri ile bağlantısının artması • Klinik karar destek sistemini hem elektronik kayıt sistemine hem de monitörlerden ventilatörlere kadar tıbbi cihazların kendisine dahil etme imkanı
KKDS şunları geliştirebilir Yönetim KKDS, kılavuzlar ve protokoller gibi ilgili referansları ve kaynakları sunabilir ve ilaç veya tekniklerin order edilmesi sırasında tavsiyelerde bulunabilir Uyarılar Kullanıcı, hasta verileri veya zamana göre başlatılmayan uyarılar ve görevler. Veri Otomatizasyonla hataları en aza indirir ve iş yükünü azaltır. Mümkün olmadığı durumlarda , akıllı formlar kullanılarak veri girişini kolaylaştırabilir tahmine dayalı ve geriye dönük analiz yoluyla ilgili verilerin özetini sağlayabilir.
Klinik Karar Destek Sistemleri : Yapay Zeka türevlerinin kullanımı YAPAY ZEKA Otomatize edilebilme potansiyeline sahip fiziksel ve mental tüm aktivite ve süreçlerin OTOMASYONU
Yoğun bakımda 178 bakım - tedavi süreci /gün 1348 veri/gün giderek artmakta (EKS) % 66 hekimin tüm mesaisi % 0.5 ciddi hata % 15 yatış uzaması
Dev Bilgi Havuzu Yoğun bakım ortamında çalışan sağlık çalışanları, hem hastaların doğası gereği karmaşık olması hem de hastaların yakın takibi nedeniyle büyük miktarda veriye maruz kalmaktadır Ayrıca tıbbi bilgide katlanarak artan bir artış ve dolayısıyla hastaların buna göre tedavi edilmesinde katlanarak artan bir zorluk söz konusudur
Yılda 1800 ile 250.000 ölümün olumsuz etkilere ilişkin tıbbi hatalardan kaynaklandığı tahmin edilmektedir Makary ve Daniel 2016; Sunshine ve ark. 2019 Tıbbi hatalardan kaynaklanan maliyetler 2008 yılında 19,5 milyar dolar Andel ve ark. 2012 Klinik uygulamalarda bilgisayar sistemlerinin kullanımı 1960'lar
Hassas Tıp Bireyselleştirilmiş Tıp Genel Hastalıklar DNA RNA Proteinler Metabolitler Genomikler Transkriptomikler Proteinoimikler Metabolomikler
Tıp literatüründe faydalı olduğu açıkça ortaya konan müdahaleler bile evrensel olarak uygulanmamaktadır. Örneğin, LUNG-SAFE çalışması (Bellani ve ark. 2016) yürütüldüğünde, Akut Solunum Sıkıntısı Sendromunda (ARDS) sağkalımı iyileştirdiği üç müdahalenin kanıtlandığı ortaya çıktı: düşük tidal hacim <6 ml/kg, uzun süreli prone pozisyonlama seansları 48 saat boyunca nöromüsküler blokaj Sağlanan veriler ortalama tidal hacmin 7,6 ml/kg olduğunu vakaların %16'sında prone pozisyonun kullanıldığını %37,8'inde nöromüsküler blokajı gösterdi
Yoğun bakım ünitesinde KKDS kullanımının bir başka iyi örneği, mekanik ventilasyonun (MV) yönetimidir Ventilatör veya diğer izleme sistemleri tarafından üretilen girdileri kullanarak tıbbi kararları standartlaştıran ve yönlendiren temel bilgisayarlı protokoller vardır Sorenson ve ark. 2008 Daha karmaşık sistemler hasta tarafından oluşturulan verileri fizyolojik modellere entegre eder Halihazırda farklı MV üreticilerine ait kapalı devre sistemler mevcuttur: klinisyen müdahalesi gerektirmezler ve şu anda destekli modlara geçişte ve otomatik ayırmada kullanılmaktadırlar Rose ve ark. 2015
Sepsis Sniffer Elektronik tıbbi kayıtlara dayalı olarak şiddetli sepsis/septik şoklu hastaların zamanında tanımlanması için otomatik bir tarama aracı “sepsis sniffer“ Herasevich V, Afessa B, Chute CG, et al. Designing and testing computer based screening engine for severe sepsis/septic shock. AMIA Annu Symp Proc 2008:966 2008 2015 2022 % 48 / 76,9 %86 / 79,9 %79.9 /76.9 SENSİVİTE / SPESİVİTE
Tahmin- Tespit Tespit genellikle %100'e yaklaşan yüksek derecede kesinlik ve doğruluk anlamına gelir. Tahmin bir olayın meydana gelmesine ilişkin bir dizi olasılık veya olasılık içerir ve bu da değişen kesinlik düzeylerini gösterir Kritik bir husus, doğruluk ile pratik fayda arasındaki dengedir Sepsisin başlangıcından beş dakika önce %95 güvenilirlikle 12 saatlik için de %25 doğrulukla tahminde bulunmanın klinik katkısı çok sınırlıdır ‘ZAMANINDA /GÜVENİLİR ve DOĞRU’ Wong A, Otles E, Donnelly JP, et al. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070
Klinik İş Akışı Tahmin uyarılarının klinik iş akışlarına entegrasyonu hayati önem taşımaktadır Uyarılar iş akışlarını bozarsa veya uyarı yorgunluğuna yol açarsa bunların faydası azalır Uyarılar zamanında yapılmalı, uygulanabilir olmalı ve mevcut bakım sürecine entegre edilmelidir
Ameliyathane ve Yoğun bakımda dış faktörlerin çoğu kısa süreli klinik izlemleri değiştirebilir Zayıf veri kalitesi olumsuz olayları tahmin etme yeteneğini etkiler Klinisyenler YZ tavsiyelerine güvenmeyebilir ve bunlara uymayabilir İhtiyacı olmayan hastalara tedavi verme riskini kim göze alır? Her şey öngörülemeyebilir Hiçbir algoritma, mevcut olmayan bilgiyi düzenleyemez Çöp girerse çöp çıkar Tahmin etmek engellemek değildir Tahminler bir eylem planıyla takip edilmelidir Olasılıkları tedavi edebilir miyiz?
Dr.Ahmet COŞAR YAPAY ZEKANIN KARAR VERMEDE YERİ
Hasta Klinik Veriler Hekim Tedavi YZ
EKS Mon. Lab Veri havuzu İşlemci Öngörü setleri • Bireysel heterojenite • Bozulmanın daha erken tanınması • Kök sebebin erken çözümlenmesi DAHA iyi ve doğru Tanı / tedavi
Y bakım pratiği Bireysel heterojenite ile başetme Tablonun kompleksitesini değerlendirme Tablodaki bozulmanın dekompanse olmadan öngörülüp erken tedavi etme ALANLARINDA SIKINTILAR
Hastalığı tanıma Hastalığın progresinin tahmini Kompleks veriler içinde özgün paternlerin tanınması Karar vermeye yardım etme
Gonzalez et al. 2022 GE Healthcare
Natanov et al., mBio 2023 (CC BY 4.0) “No one would have to enter anything. The system would just automatically pull the numbers from the lab results and make the calculation” PLABAC Model(77 değişken) P latelet count L actate A ge B UN A ST C RP Rutgers University PLABAC Covid-19 Mortalite Tahmin Modeli
APACHE SAPS MPM GCS MAP Glisemi Elektrolitler Skorlama Sistemleri
MIMIC-II 11727 hasta İlk kabul Demografi Fizyolojik parametreler Lab. testleri VERİLERİ A. Awad, M. Bader-El-Den, J. McNicholas, and J. Briggs, “Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach,” International Journal of Medical Informatics, vol. 108, pp. 185–195, Dec. 2017, G. Holmgren, P. Andersson, A. Jakobsson, and A. Frigyesi, “Artificial neural networks improve and simplify intensive care mortality prognostication: a national cohort study of 217,289 first-time intensive care unit admissions,” Journal of Intensive Care, vol. 7, no. 1, Dec. 2019, Mortalite
Etkin Tanı Klinik karar destek sistemleri, yoğun bakımda doğru tanı konulmasına yardımcı olur, böylece hızlı bir tedavi süreci başlatılabilir Hassas Sonuçlar Detaylı veri analizi sayesinde, gözetim altındaki hastaların durumu daha doğru bir şekilde anlaşılabilir Tanıya Katkıları
Tedavi Planlamasındaki Rolü Hedefe Uygun Tedavi Klinik karar destek sistemleri, hastanın durumuna uygun tedavi planları oluşturulmasını destekler. Komplikasyon Riskinin Azaltılması Tedavi planlamasında gerçek zamanlı veriler kullanarak potansiyel risklerin önceden tespit edilmesine yardımcı olur. Tedavi Seçeneklerinin Değerlendirilmesindeki Rolü Tedavi Seçeneklerinin Kıyaslanması Farklı tedavi planları ve seçenekleri detaylı bir şekilde karşılaştırılabilir Optimizasyon En etkili tedavi seçenekleri, klinik karar destek sistemleri sayesinde optimize edilebilir
Hasta Takibi ve İzlem Sürecindeki Faydaları Veri Analizi Detaylı hasta bilgileri ve sürekli izlem sayesinde hastanın durumu daha iyi anlaşılabilir Hızlı Müdahale Anlık veri analizi ile sağlık ekibi, gerekli müdahaleleri hızlıca gerçekleştirebilir Yan Etki ve Risk Yönetimindeki Etkinliği Etkili Risk Değerlendirmesi Klinik karar destek sistemleri, tedavi sürecinde ortaya çıkabilecek olası riskleri önceden belirleyebilir Yan Etkilerin İzlenmesi Tedaviye bağlı oluşan yan etkilerin detaylı takibi sağlanarak, gerekli müdahaleler hızlıca yapılabilir
Sağlık Hizmeti Kalitesine Etkisi Etkin Süreç Yönetimi Sağlık hizmeti kalitesini optimize ederek, daha etkili süreçlerin oluşturulmasını sağlar. Hasta Memnuniyeti Tedavi sürecinin daha iyi yönetilmesi, hastaların memnuniyetini ve güvenini artırabilir. Gelecekteki Potansiyeli ve Gelişmeleri Yenilikçi Teknolojiler Gelecekteki gelişmeler, sağlık sektöründe devrim niteliğinde yeniliklere olanak sağlayabilir Uzman İşbirliği Tıp profesyonelleri, gelişime katkıda bulunarak daha iyileştirilmiş bir tıp alanı oluşturabilirler
AB Direnci
Kan Gazı Örnekleri
Vital Bulgular
Olgu
Yoğun Bakım Nedir? Yoğun bakım, kritik durumdaki hastaların yakından izlendiği ve özel tedavi gördüğü bir birimdir. Yoğun bakım üniteleri, yoğun gözlem ve desteğe ihtiyaç duyan hastaların hayati fonksiyonlarını sıkı bir şekilde izler ve bu fonksiyonları desteklemek için gerekli müdahaleleri yapar. A by Ahmet Cosar
Yapay Zeka ve Yoğun Bakımın Birleşimi Yapay Zeka Entegrasyonu Yoğun bakımda, yapay zeka hastaların verilerini analiz ederek hızlı ve doğru kararlar alınmasına yardımcı olabilir. Teknolojiyle İyileşme Yapay zeka destekli teknolojiler, hastaların durumunu izlemek ve tedavi planlarını optimize etmek için kullanılabilir. Veri Tabanlı Yaklaşım Yapay zeka, yoğun bakımda hasta verilerinin analiz edilmesiyle önleyici bakım ve tedavi metotları geliştirmeye olanak sağlar.
Yapay Zeka Kullanımının Avantajları 1 Hız ve Doğruluk Yapay zeka, tıbbi görüntüleri okuma ve hastalıkları tanıma konusunda hızlı ve doğru sonuçlar verebilir. 2 Öngörücülük Yapay zeka, hastalık risklerini tahmin etme ve tedaviye yönelik stratejiler geliştirme konusunda büyük bir potansiyele sahiptir. 3 Tedavi Optimizasyonu Hastaların bireysel sağlık verilerinin analiz edilmesi sayesinde, yapay zeka kişiselleştirilmiş tedavi yöntemleri önerir.
Yapay Zeka Kullanımının Dezavantajları Etiğe Uygunluk Yapay zeka tarafından alınan kararların etik normlara uygunluğu, ciddi bir endişe konusudur. Veri Mahremiyeti Bireysel sağlık verilerinin korunması ve güvenliği, yapay zeka kullanımının kritik bir dezavantajıdır.
Yoğun Bakımda Yapay Zeka Uygulamaları Veri İzleme ve Analiz Yapay zeka, yoğun bakımdaki hastaların verilerini gerçek zamanlı olarak izlemekte ve analiz etmektedir. Hasta Durumunun Tahmini Yapay zeka, hastaların durumlarını değerlendirerek, öngörüsel analizler sunar ve risk seviyelerini belirler. Otomatik Uyarı Sistemleri Yapay zeka, hastanın durumunda anormal değişiklikler tespit ettiğinde, otomatik uyarılar göndererek erken müdahale imkanı sağlar.
Yapay Zeka Destekli Teşhis ve Tedavi Yöntemleri Diagnostik Çözümler Hızlı Teşhis Yapay zeka, hızlı ve doğru teşhisler koyarak tedavi süreçlerinde zaman kazandırabilir. Tedavi Optimizasyonu Kişiselleştirilmiş Yaklaşım Hastanın genetik ve klinik verilerine dayanarak kişiselleştirilmiş tedavi ve ilaç seçenekleri sunabilir.
Yapay Zeka ile Hastaların Takibi ve İzlenmesi Hassas Veri Toplama Yapay zeka, hasta verilerini sürekli izleyerek, anormal durumların hızlı bir şekilde tespit edilmesine olanak tanır. Zamanında Müdahale Hastanın durumunda meydana gelebilecek değişiklikleri önceden tahmin ederek, uygun tedavi planları oluşturulmasına yardımcı olur.
Gelecekte Yapay Zeka ile Yoğun Bakımın Potansiyeli 1 İyileşme Sürecinde Dönüşüm Yapay zeka doğru teşhis ve anında müdahale ile hastaların iyileşme sürecini büyük ölçüde hızlandırabilir. 2 Özelleştirilmiş Tedavi Gelecekte yapay zeka, hastaların genetik, moleküler ve çevresel verilerini birleştirerek tamamen kişiselleştirilmiş tedavi yöntemleri sunabilir. 3 Hasta Deneyimi ve İyileştirilmiş Bakım Yapay zeka, hastaların tercihlerini, tedaviye uyumlarını ve hatta psikolojik durumlarını anlamak ve buna göre en iyi bakımı sağlamak için kullanılabilir.
Klinik Karar Destek Sistemlerinin Yoğun Bakımdaki Önemi Yoğun bakım birimlerinde klinik karar destek sistemleri, yaşam kurtarıcı kararların hızlı bir şekilde verilmesine yardımcı olabilir. Hızlı, etkili ve doğru kararlar, kritik durumdaki hastaların hayatını kurtarabilir. A by Ahmet Cosar
Klinik Karar Destek Sistemlerinin Tanı Katkıları 1 Etkin Tanı Klinik karar destek sistemleri, yoğun bakımda doğru tanı konulmasına yardımcı olur, böylece hızlı bir tedavi süreci başlatılabilir. 2 Hassas Sonuçlar Detaylı veri analizi sayesinde, gözetim altındaki hastaların durumu daha doğru bir şekilde anlaşılabilir.
Klinik Karar Destek Sistemlerinin Tedavi Planlamasındaki Rolü Hedefe Uygun Tedavi Klinik karar destek sistemleri, hastanın durumuna uygun tedavi planları oluşturulmasını destekler. Komplikasyon Riskinin Azaltılması Tedavi planlamasında gerçek zamanlı veriler kullanarak potansiyel risklerin önceden tespit edilmesine yardımcı olur.
Klinik Karar Destek Sistemlerinin Tedavi Seçeneklerinin Değerlendirilmesindeki Rolü Tedavi Seçeneklerinin Kıyaslanması Farklı tedavi planları ve seçenekleri detaylı bir şekilde karşılaştırılabilir. Optimizasyon En etkili tedavi seçenekleri, klinik karar destek sistemleri sayesinde optimize edilebilir.
Klinik Karar Destek Sistemlerinin Hasta Takibi ve İzlem Sürecindeki Faydaları Veri Analizi Detaylı hasta bilgileri ve sürekli izlem sayesinde hastanın durumu daha iyi anlaşılabilir. Hızlı Müdahale Anlık veri analizi ile sağlık ekibi, gerekli müdahaleleri hızlıca gerçekleştirebilir.
Klinik Karar Destek Sistemlerinin Yan Etki ve Risk Yönetimindeki Etkinliği 1 Etkili Risk Değerlendirmesi Klinik karar destek sistemleri, tedavi sürecinde ortaya çıkabilecek olası riskleri önceden belirleyebilir. 2 Yan Etkilerin İzlenmesi Tedaviye bağlı oluşan yan etkilerin detaylı takibi sağlanarak, gerekli müdahaleler hızlıca yapılabilir.
Fiziksel ve dijital kelimelerinin birleşmesinden oluşan kavram, fiziksel ve dijital olanın bir arada var olabileceği anlamına geliyor Geleceğin Ybakımı Fizital Ybakımda Fizitalin Bileşenleri Hasta Hekim Mühendis Yazılım Fijital Dünya
“Yaklaşmakta olan yapay zeka kaynaklı işgücü kaybı, bazı yorumcuların önerdiğinden daha yavaş ve daha az dramatik bir şekilde gerçekleşecek. Son araştırmaların çoğunda olduğu gibi, yapay zekanın görevleri otomatikleştirme konusunda önemli bir potansiyele sahip olduğunu bulduk. Ancak bu görevlerin çoğunun henüz otomatikleştirilmesinin çekici olmadığını gösterebildik.” İnsan emeği ‘şimdilik’ yapay zekadan daha ekonomik Neil Thompson MIT IMF :Yapay zeka, işlerin yüzde 40’ını etkileyecek https://www.diken.com.tr/imf-yapay-zeka-islerin-yuzde-40ini-etkileyecek/
BEKLENTİMİZ ? Veri havuzunun değerlendirilmesi Algoritmlerin oluşturulması Mortalite riski Yeniden kabul Yatış süresi Erken bozulma Sepsis tanısı KARŞILANMA Gerçek zamanlı klinik bozulmaya neden olanları belirleyip erken girişin olanağı sunan veri analizi Geçmiş ve mevcut verileri analiz ederek çeşitli öngörülerde bulunabilir YZ cağındayız tüm duyularımızla peşinde koşmalıyız ve mevcut birikimlerimize entegre etmeliyiz UYGUN kullanılmazsa ciddi yanlışlara yol açabilir (sadece ALET) Karar destek sistemleri klinik değerlendirmeye KATKI’ da bulunabilir ancak YERİNİ alamaz En önemli faydası belki de hekimin hastasına daha fazla zaman ayırma olanağı sunmasıdır.
Elektronik Kayıtları sistemi Demografik Klinik Biyolojik Görüntüsel Fizyolojik Verilerin toplanıp depolanması Dev veri havuzu İnsangücü yetersizliği Verilerin incelenip yorumlanması ve karar destek algoritmalarına dönüştürülmesi Özellikle AC grafisi,CT,US/Eko görüntülerinin yorumlanması(COVID-19) Ybakımda YZ İstenmeyen olaylar için erken uyarı sistemi Preemptif olarak uygun girişimlerin yapılmasına katkı Hemşirenin farkedemeyeceği ani değişiklikleri saptanması İnsan hatasının azaltılması Yapay Zeka Çağı
Dr.Ahmet COŞAR YAPAY ZEKANIN KARAR VERMEDE YERİ

More Related Content

Dr.Ahmet COŞAR YAPAY ZEKANIN KARAR VERMEDE YERİ

  • 1. Yapay Zekanın Yoğun Bakımda Kullanımı Dr. Ahmet Coşar Sağlık Bilimleri Üniversitesi Gülhane Tıp Fakültesi Anesteziyoloji ve Reanimasyon Ana Bilim Dalı Gülhane Eğitim ve Araştırma Hastanesi
  • 2. • Farklı hastalıklara sahip çeşitli hastaların (HETEROJENİTE) • Yoğun, dinamik ve sürekli akan veri trafiği Demografi Yandaş hastalıkları Hikaye / FM Monitörizasyon Lab • Tümünün gerçek zamanlı ve dinamik yorumlanması • Günümüzde insan gücünü aşaması • Verilerin klasifiye edilerek karar vermede hekime ‘kritik düşünme’ desteği sağlanması ISSN: 2089-4864, DOI: 10.11591/ijres.v12.i1.pp42- 50 Yoğun bakım neresi ?
  • 3. Klinik Karar Destek Sistemleri (KKDS) “sağlık hizmeti sunumunu iyileştirmek için sağlıkla ilgili kararları ve eylemleri organize klinik bilgiyle geliştirmeye yönelik bir süreç” olarak tanımlanmaktadır. Profesyonellere spesifik, filtrelenmiş ve organize edilmiş bilgiler sağlamak için elektronik sağlık kaydının temeline dayanan sağlık bilgi teknolojisidir
  • 4. Klinik Karar Destek Sistemleri Sağlık hizmeti sunumunu iyileştirmek için sağlıkla ilgili kararları ve eylemleri organize klinik bilgiyle geliştirmeye yönelik bir süreç olarak tanımlanır KKDS haftalık antikoagulan dozajı gibi tek bir özel görevi destekleyerek daha spesifik olabilir veya farklı yardımcıların entegre edilmesiyle daha karmaşık olabilir
  • 5. Klinik Karar Destek Sistemleri Veri girişini, veri incelemesini, yönetimini ve uyarıları iyileştirebilir Yakın gelecekte daha karmaşık, kullanışlı sistemler geliştirilecek Yoğun bakım izlemenin önemli bir parçası haline getirecektir
  • 6. Klinik Karar Destek Sistemleri Son zamanlarda, çeşitli unsurlar bu konseptin önemli ve pratik uygulamalara uygulanmasını mümkün kılmaktadır • Dijitalleşme ve tıbbi cihazların elektronik kayıt sistemleri ile bağlantısının artması • Klinik karar destek sistemini hem elektronik kayıt sistemine hem de monitörlerden ventilatörlere kadar tıbbi cihazların kendisine dahil etme imkanı
  • 7. KKDS şunları geliştirebilir Yönetim KKDS, kılavuzlar ve protokoller gibi ilgili referansları ve kaynakları sunabilir ve ilaç veya tekniklerin order edilmesi sırasında tavsiyelerde bulunabilir Uyarılar Kullanıcı, hasta verileri veya zamana göre başlatılmayan uyarılar ve görevler. Veri Otomatizasyonla hataları en aza indirir ve iş yükünü azaltır. Mümkün olmadığı durumlarda , akıllı formlar kullanılarak veri girişini kolaylaştırabilir tahmine dayalı ve geriye dönük analiz yoluyla ilgili verilerin özetini sağlayabilir.
  • 8. Klinik Karar Destek Sistemleri : Yapay Zeka türevlerinin kullanımı YAPAY ZEKA Otomatize edilebilme potansiyeline sahip fiziksel ve mental tüm aktivite ve süreçlerin OTOMASYONU
  • 9. Yoğun bakımda 178 bakım - tedavi süreci /gün 1348 veri/gün giderek artmakta (EKS) % 66 hekimin tüm mesaisi % 0.5 ciddi hata % 15 yatış uzaması
  • 10. Dev Bilgi Havuzu Yoğun bakım ortamında çalışan sağlık çalışanları, hem hastaların doğası gereği karmaşık olması hem de hastaların yakın takibi nedeniyle büyük miktarda veriye maruz kalmaktadır Ayrıca tıbbi bilgide katlanarak artan bir artış ve dolayısıyla hastaların buna göre tedavi edilmesinde katlanarak artan bir zorluk söz konusudur
  • 11. Yılda 1800 ile 250.000 ölümün olumsuz etkilere ilişkin tıbbi hatalardan kaynaklandığı tahmin edilmektedir Makary ve Daniel 2016; Sunshine ve ark. 2019 Tıbbi hatalardan kaynaklanan maliyetler 2008 yılında 19,5 milyar dolar Andel ve ark. 2012 Klinik uygulamalarda bilgisayar sistemlerinin kullanımı 1960'lar
  • 12. Hassas Tıp Bireyselleştirilmiş Tıp Genel Hastalıklar DNA RNA Proteinler Metabolitler Genomikler Transkriptomikler Proteinoimikler Metabolomikler
  • 13. Tıp literatüründe faydalı olduğu açıkça ortaya konan müdahaleler bile evrensel olarak uygulanmamaktadır. Örneğin, LUNG-SAFE çalışması (Bellani ve ark. 2016) yürütüldüğünde, Akut Solunum Sıkıntısı Sendromunda (ARDS) sağkalımı iyileştirdiği üç müdahalenin kanıtlandığı ortaya çıktı: düşük tidal hacim <6 ml/kg, uzun süreli prone pozisyonlama seansları 48 saat boyunca nöromüsküler blokaj Sağlanan veriler ortalama tidal hacmin 7,6 ml/kg olduğunu vakaların %16'sında prone pozisyonun kullanıldığını %37,8'inde nöromüsküler blokajı gösterdi
  • 14. Yoğun bakım ünitesinde KKDS kullanımının bir başka iyi örneği, mekanik ventilasyonun (MV) yönetimidir Ventilatör veya diğer izleme sistemleri tarafından üretilen girdileri kullanarak tıbbi kararları standartlaştıran ve yönlendiren temel bilgisayarlı protokoller vardır Sorenson ve ark. 2008 Daha karmaşık sistemler hasta tarafından oluşturulan verileri fizyolojik modellere entegre eder Halihazırda farklı MV üreticilerine ait kapalı devre sistemler mevcuttur: klinisyen müdahalesi gerektirmezler ve şu anda destekli modlara geçişte ve otomatik ayırmada kullanılmaktadırlar Rose ve ark. 2015
  • 15. Sepsis Sniffer Elektronik tıbbi kayıtlara dayalı olarak şiddetli sepsis/septik şoklu hastaların zamanında tanımlanması için otomatik bir tarama aracı “sepsis sniffer“ Herasevich V, Afessa B, Chute CG, et al. Designing and testing computer based screening engine for severe sepsis/septic shock. AMIA Annu Symp Proc 2008:966 2008 2015 2022 % 48 / 76,9 %86 / 79,9 %79.9 /76.9 SENSİVİTE / SPESİVİTE
  • 16. Tahmin- Tespit Tespit genellikle %100'e yaklaşan yüksek derecede kesinlik ve doğruluk anlamına gelir. Tahmin bir olayın meydana gelmesine ilişkin bir dizi olasılık veya olasılık içerir ve bu da değişen kesinlik düzeylerini gösterir Kritik bir husus, doğruluk ile pratik fayda arasındaki dengedir Sepsisin başlangıcından beş dakika önce %95 güvenilirlikle 12 saatlik için de %25 doğrulukla tahminde bulunmanın klinik katkısı çok sınırlıdır ‘ZAMANINDA /GÜVENİLİR ve DOĞRU’ Wong A, Otles E, Donnelly JP, et al. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070
  • 17. Klinik İş Akışı Tahmin uyarılarının klinik iş akışlarına entegrasyonu hayati önem taşımaktadır Uyarılar iş akışlarını bozarsa veya uyarı yorgunluğuna yol açarsa bunların faydası azalır Uyarılar zamanında yapılmalı, uygulanabilir olmalı ve mevcut bakım sürecine entegre edilmelidir
  • 18. Ameliyathane ve Yoğun bakımda dış faktörlerin çoğu kısa süreli klinik izlemleri değiştirebilir Zayıf veri kalitesi olumsuz olayları tahmin etme yeteneğini etkiler Klinisyenler YZ tavsiyelerine güvenmeyebilir ve bunlara uymayabilir İhtiyacı olmayan hastalara tedavi verme riskini kim göze alır? Her şey öngörülemeyebilir Hiçbir algoritma, mevcut olmayan bilgiyi düzenleyemez Çöp girerse çöp çıkar Tahmin etmek engellemek değildir Tahminler bir eylem planıyla takip edilmelidir Olasılıkları tedavi edebilir miyiz?
  • 20. Hasta Klinik Veriler Hekim Tedavi YZ
  • 21. EKS Mon. Lab Veri havuzu İşlemci Öngörü setleri • Bireysel heterojenite • Bozulmanın daha erken tanınması • Kök sebebin erken çözümlenmesi DAHA iyi ve doğru Tanı / tedavi
  • 22. Y bakım pratiği Bireysel heterojenite ile başetme Tablonun kompleksitesini değerlendirme Tablodaki bozulmanın dekompanse olmadan öngörülüp erken tedavi etme ALANLARINDA SIKINTILAR
  • 23. Hastalığı tanıma Hastalığın progresinin tahmini Kompleks veriler içinde özgün paternlerin tanınması Karar vermeye yardım etme
  • 24. Gonzalez et al. 2022 GE Healthcare
  • 25. Natanov et al., mBio 2023 (CC BY 4.0) “No one would have to enter anything. The system would just automatically pull the numbers from the lab results and make the calculation” PLABAC Model(77 değişken) P latelet count L actate A ge B UN A ST C RP Rutgers University PLABAC Covid-19 Mortalite Tahmin Modeli
  • 27. MIMIC-II 11727 hasta İlk kabul Demografi Fizyolojik parametreler Lab. testleri VERİLERİ A. Awad, M. Bader-El-Den, J. McNicholas, and J. Briggs, “Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach,” International Journal of Medical Informatics, vol. 108, pp. 185–195, Dec. 2017, G. Holmgren, P. Andersson, A. Jakobsson, and A. Frigyesi, “Artificial neural networks improve and simplify intensive care mortality prognostication: a national cohort study of 217,289 first-time intensive care unit admissions,” Journal of Intensive Care, vol. 7, no. 1, Dec. 2019, Mortalite
  • 28. Etkin Tanı Klinik karar destek sistemleri, yoğun bakımda doğru tanı konulmasına yardımcı olur, böylece hızlı bir tedavi süreci başlatılabilir Hassas Sonuçlar Detaylı veri analizi sayesinde, gözetim altındaki hastaların durumu daha doğru bir şekilde anlaşılabilir Tanıya Katkıları
  • 29. Tedavi Planlamasındaki Rolü Hedefe Uygun Tedavi Klinik karar destek sistemleri, hastanın durumuna uygun tedavi planları oluşturulmasını destekler. Komplikasyon Riskinin Azaltılması Tedavi planlamasında gerçek zamanlı veriler kullanarak potansiyel risklerin önceden tespit edilmesine yardımcı olur. Tedavi Seçeneklerinin Değerlendirilmesindeki Rolü Tedavi Seçeneklerinin Kıyaslanması Farklı tedavi planları ve seçenekleri detaylı bir şekilde karşılaştırılabilir Optimizasyon En etkili tedavi seçenekleri, klinik karar destek sistemleri sayesinde optimize edilebilir
  • 30. Hasta Takibi ve İzlem Sürecindeki Faydaları Veri Analizi Detaylı hasta bilgileri ve sürekli izlem sayesinde hastanın durumu daha iyi anlaşılabilir Hızlı Müdahale Anlık veri analizi ile sağlık ekibi, gerekli müdahaleleri hızlıca gerçekleştirebilir Yan Etki ve Risk Yönetimindeki Etkinliği Etkili Risk Değerlendirmesi Klinik karar destek sistemleri, tedavi sürecinde ortaya çıkabilecek olası riskleri önceden belirleyebilir Yan Etkilerin İzlenmesi Tedaviye bağlı oluşan yan etkilerin detaylı takibi sağlanarak, gerekli müdahaleler hızlıca yapılabilir
  • 31. Sağlık Hizmeti Kalitesine Etkisi Etkin Süreç Yönetimi Sağlık hizmeti kalitesini optimize ederek, daha etkili süreçlerin oluşturulmasını sağlar. Hasta Memnuniyeti Tedavi sürecinin daha iyi yönetilmesi, hastaların memnuniyetini ve güvenini artırabilir. Gelecekteki Potansiyeli ve Gelişmeleri Yenilikçi Teknolojiler Gelecekteki gelişmeler, sağlık sektöründe devrim niteliğinde yeniliklere olanak sağlayabilir Uzman İşbirliği Tıp profesyonelleri, gelişime katkıda bulunarak daha iyileştirilmiş bir tıp alanı oluşturabilirler
  • 35. Olgu
  • 36. Yoğun Bakım Nedir? Yoğun bakım, kritik durumdaki hastaların yakından izlendiği ve özel tedavi gördüğü bir birimdir. Yoğun bakım üniteleri, yoğun gözlem ve desteğe ihtiyaç duyan hastaların hayati fonksiyonlarını sıkı bir şekilde izler ve bu fonksiyonları desteklemek için gerekli müdahaleleri yapar. A by Ahmet Cosar
  • 37. Yapay Zeka ve Yoğun Bakımın Birleşimi Yapay Zeka Entegrasyonu Yoğun bakımda, yapay zeka hastaların verilerini analiz ederek hızlı ve doğru kararlar alınmasına yardımcı olabilir. Teknolojiyle İyileşme Yapay zeka destekli teknolojiler, hastaların durumunu izlemek ve tedavi planlarını optimize etmek için kullanılabilir. Veri Tabanlı Yaklaşım Yapay zeka, yoğun bakımda hasta verilerinin analiz edilmesiyle önleyici bakım ve tedavi metotları geliştirmeye olanak sağlar.
  • 38. Yapay Zeka Kullanımının Avantajları 1 Hız ve Doğruluk Yapay zeka, tıbbi görüntüleri okuma ve hastalıkları tanıma konusunda hızlı ve doğru sonuçlar verebilir. 2 Öngörücülük Yapay zeka, hastalık risklerini tahmin etme ve tedaviye yönelik stratejiler geliştirme konusunda büyük bir potansiyele sahiptir. 3 Tedavi Optimizasyonu Hastaların bireysel sağlık verilerinin analiz edilmesi sayesinde, yapay zeka kişiselleştirilmiş tedavi yöntemleri önerir.
  • 39. Yapay Zeka Kullanımının Dezavantajları Etiğe Uygunluk Yapay zeka tarafından alınan kararların etik normlara uygunluğu, ciddi bir endişe konusudur. Veri Mahremiyeti Bireysel sağlık verilerinin korunması ve güvenliği, yapay zeka kullanımının kritik bir dezavantajıdır.
  • 40. Yoğun Bakımda Yapay Zeka Uygulamaları Veri İzleme ve Analiz Yapay zeka, yoğun bakımdaki hastaların verilerini gerçek zamanlı olarak izlemekte ve analiz etmektedir. Hasta Durumunun Tahmini Yapay zeka, hastaların durumlarını değerlendirerek, öngörüsel analizler sunar ve risk seviyelerini belirler. Otomatik Uyarı Sistemleri Yapay zeka, hastanın durumunda anormal değişiklikler tespit ettiğinde, otomatik uyarılar göndererek erken müdahale imkanı sağlar.
  • 41. Yapay Zeka Destekli Teşhis ve Tedavi Yöntemleri Diagnostik Çözümler Hızlı Teşhis Yapay zeka, hızlı ve doğru teşhisler koyarak tedavi süreçlerinde zaman kazandırabilir. Tedavi Optimizasyonu Kişiselleştirilmiş Yaklaşım Hastanın genetik ve klinik verilerine dayanarak kişiselleştirilmiş tedavi ve ilaç seçenekleri sunabilir.
  • 42. Yapay Zeka ile Hastaların Takibi ve İzlenmesi Hassas Veri Toplama Yapay zeka, hasta verilerini sürekli izleyerek, anormal durumların hızlı bir şekilde tespit edilmesine olanak tanır. Zamanında Müdahale Hastanın durumunda meydana gelebilecek değişiklikleri önceden tahmin ederek, uygun tedavi planları oluşturulmasına yardımcı olur.
  • 43. Gelecekte Yapay Zeka ile Yoğun Bakımın Potansiyeli 1 İyileşme Sürecinde Dönüşüm Yapay zeka doğru teşhis ve anında müdahale ile hastaların iyileşme sürecini büyük ölçüde hızlandırabilir. 2 Özelleştirilmiş Tedavi Gelecekte yapay zeka, hastaların genetik, moleküler ve çevresel verilerini birleştirerek tamamen kişiselleştirilmiş tedavi yöntemleri sunabilir. 3 Hasta Deneyimi ve İyileştirilmiş Bakım Yapay zeka, hastaların tercihlerini, tedaviye uyumlarını ve hatta psikolojik durumlarını anlamak ve buna göre en iyi bakımı sağlamak için kullanılabilir.
  • 44. Klinik Karar Destek Sistemlerinin Yoğun Bakımdaki Önemi Yoğun bakım birimlerinde klinik karar destek sistemleri, yaşam kurtarıcı kararların hızlı bir şekilde verilmesine yardımcı olabilir. Hızlı, etkili ve doğru kararlar, kritik durumdaki hastaların hayatını kurtarabilir. A by Ahmet Cosar
  • 45. Klinik Karar Destek Sistemlerinin Tanı Katkıları 1 Etkin Tanı Klinik karar destek sistemleri, yoğun bakımda doğru tanı konulmasına yardımcı olur, böylece hızlı bir tedavi süreci başlatılabilir. 2 Hassas Sonuçlar Detaylı veri analizi sayesinde, gözetim altındaki hastaların durumu daha doğru bir şekilde anlaşılabilir.
  • 46. Klinik Karar Destek Sistemlerinin Tedavi Planlamasındaki Rolü Hedefe Uygun Tedavi Klinik karar destek sistemleri, hastanın durumuna uygun tedavi planları oluşturulmasını destekler. Komplikasyon Riskinin Azaltılması Tedavi planlamasında gerçek zamanlı veriler kullanarak potansiyel risklerin önceden tespit edilmesine yardımcı olur.
  • 47. Klinik Karar Destek Sistemlerinin Tedavi Seçeneklerinin Değerlendirilmesindeki Rolü Tedavi Seçeneklerinin Kıyaslanması Farklı tedavi planları ve seçenekleri detaylı bir şekilde karşılaştırılabilir. Optimizasyon En etkili tedavi seçenekleri, klinik karar destek sistemleri sayesinde optimize edilebilir.
  • 48. Klinik Karar Destek Sistemlerinin Hasta Takibi ve İzlem Sürecindeki Faydaları Veri Analizi Detaylı hasta bilgileri ve sürekli izlem sayesinde hastanın durumu daha iyi anlaşılabilir. Hızlı Müdahale Anlık veri analizi ile sağlık ekibi, gerekli müdahaleleri hızlıca gerçekleştirebilir.
  • 49. Klinik Karar Destek Sistemlerinin Yan Etki ve Risk Yönetimindeki Etkinliği 1 Etkili Risk Değerlendirmesi Klinik karar destek sistemleri, tedavi sürecinde ortaya çıkabilecek olası riskleri önceden belirleyebilir. 2 Yan Etkilerin İzlenmesi Tedaviye bağlı oluşan yan etkilerin detaylı takibi sağlanarak, gerekli müdahaleler hızlıca yapılabilir.
  • 50. Fiziksel ve dijital kelimelerinin birleşmesinden oluşan kavram, fiziksel ve dijital olanın bir arada var olabileceği anlamına geliyor Geleceğin Ybakımı Fizital Ybakımda Fizitalin Bileşenleri Hasta Hekim Mühendis Yazılım Fijital Dünya
  • 51. “Yaklaşmakta olan yapay zeka kaynaklı işgücü kaybı, bazı yorumcuların önerdiğinden daha yavaş ve daha az dramatik bir şekilde gerçekleşecek. Son araştırmaların çoğunda olduğu gibi, yapay zekanın görevleri otomatikleştirme konusunda önemli bir potansiyele sahip olduğunu bulduk. Ancak bu görevlerin çoğunun henüz otomatikleştirilmesinin çekici olmadığını gösterebildik.” İnsan emeği ‘şimdilik’ yapay zekadan daha ekonomik Neil Thompson MIT IMF :Yapay zeka, işlerin yüzde 40’ını etkileyecek https://www.diken.com.tr/imf-yapay-zeka-islerin-yuzde-40ini-etkileyecek/
  • 52. BEKLENTİMİZ ? Veri havuzunun değerlendirilmesi Algoritmlerin oluşturulması Mortalite riski Yeniden kabul Yatış süresi Erken bozulma Sepsis tanısı KARŞILANMA Gerçek zamanlı klinik bozulmaya neden olanları belirleyip erken girişin olanağı sunan veri analizi Geçmiş ve mevcut verileri analiz ederek çeşitli öngörülerde bulunabilir YZ cağındayız tüm duyularımızla peşinde koşmalıyız ve mevcut birikimlerimize entegre etmeliyiz UYGUN kullanılmazsa ciddi yanlışlara yol açabilir (sadece ALET) Karar destek sistemleri klinik değerlendirmeye KATKI’ da bulunabilir ancak YERİNİ alamaz En önemli faydası belki de hekimin hastasına daha fazla zaman ayırma olanağı sunmasıdır.
  • 53. Elektronik Kayıtları sistemi Demografik Klinik Biyolojik Görüntüsel Fizyolojik Verilerin toplanıp depolanması Dev veri havuzu İnsangücü yetersizliği Verilerin incelenip yorumlanması ve karar destek algoritmalarına dönüştürülmesi Özellikle AC grafisi,CT,US/Eko görüntülerinin yorumlanması(COVID-19) Ybakımda YZ İstenmeyen olaylar için erken uyarı sistemi Preemptif olarak uygun girişimlerin yapılmasına katkı Hemşirenin farkedemeyeceği ani değişiklikleri saptanması İnsan hatasının azaltılması Yapay Zeka Çağı

Editor's Notes

  • #15: EMR verilerinden yararlanma konusunda ileriye doğru büyük bir adımı temsil ediyordu ancak %48'lik duyarlılık, %86'lık özgüllük ve %32'lik pozitif öngörü değeri ile istisnai olmaktan çok uzaktı (Herasevich ve ark. 2008). Bu algoritmanın zaman içinde ayarlanması ve optimizasyonu, %80 duyarlılık ve %96 özgüllük ile performansın artmasına neden oldu (Harrison ve ark. 2015). Geliştirilen sepsis sniffer pratikte uygulandığında %79,9 duyarlılık, %76,9 özgüllük göstermiştir. %27,9'luk pozitif tahmin değeri (PPV) ve %97,2'lik negatif tahmin değeri (NPV), performans açısından diğer sistemlere benzer (Lipatov ve ark. 2022), bu tür gözetim araçlarının EMR'ler ve EMR'ler bağlamında uygulanabilirliğini vurgulamaktadır