En nyligen genomförd studie visar att få sjukhus använder högeffektiv tillgänglig AI‑teknik för att underlätta prioriteringsarbetet och öka antalet operationer som kan genomföras. Många tror att de långa väntetiderna för elektiva operationer som orsakats av covid‑19‑pandemin kan lösas genom att anställa mer personal eller låta befintlig personal arbeta ännu mer.
Hantera operationskön
Studien visade att nästan hälften av sjukhusen i USA kämpar med växande köer för elektiva och icke-akuta operationer. Bland de som har en operationskö angav nästan 80 % att detta redan utgör ett orosmoment för dem.
Men fler än hälften, 55 %, av sjukhusen som deltog i undersökningen angav att de inte använder digitala verktyg för att förbättra effektiviteten och prioritera operationsköer. Istället försöker de förkorta bytestiderna mellan operationer, anställa ytterligare personal och be befintlig personal att jobba ännu mer.
Runt om i världen väntar miljontals elektiva patienter på vård. Läkare och operationspersonal är utmattade på grund av att de tvingas arbeta övertid för att möta behoven, och sjukhusen upplever ekonomiska svårigheter. Artificiell intelligens och maskininlärning har stor potential att öka antalet operationer och underlätta prioriteringen.
Fördelen med AI
Genom användning av digitala verktyg och maskininlärning för att prioritera schemaläggning kan man avsevärt förbättra effektiv användning av operationssalen. Faktum är att i aktuella försök förbättrade Torin, Getinges eget verktyg, noggrannheten i operationstidsprognoserna med upp till 34 % i genomsnitt.
Likväl angav endast tre av tio sjukhus i undersökningen att deras befintliga system tar hänsyn till patientdataprioritering och artificiell intelligens vid prioritering av operationsköer. Bland öppenvårdsmottagningarna angav nästan 70 % att deras operationsplanerings- och prioriteringsprocesser fortfarande omfattar manuellt arbete med telefonsamtal, penna och papper!
Operationsplanering inkluderar en stor mängd variabler – detta ger AI en fördel jämfört med den mänskliga hjärnan. För att skapa en prognos för operationstider tar Torin‑algoritmen hänsyn till 27 variabler – till exempel patientens ålder och BMI (body mass index), när kirurgen senast utförde detta ingrepp eller hur många gånger kirurgen har utfört ingreppet denna månad.
Huvudorsaker till eftersläpning av operationer
I kombination med andra tillgängliga digitala verktyg kan man med Torin Optimization minska väntetiderna och förkorta operationsköerna redan idag.
Vi kan lära maskininlärningsalgoritmen att förutse dessa väntetider på ett mer precist sätt. På så sätt kan man jämföra de planerade operationerna med vad som faktiskt sker i operationssalen i realtid, för att fastställa i vilken grad planeringen är korrekt. Genom att använda dessa siffror kan man identifiera problem och ändra processer och arbetsflöden så att de blir mer effektiva.