Oleh Vanessa Ho
Pada rumah sakit modern, dokter dan perawat dilatih untuk cepat tanggap ketika pasien memberikan “kode” – penderita serangan jantung atau pernapasan dan membutuhkan bantuan medis segera. Tapi bagaimana jika dokter bisa melihat ke masa depan dan tahu siapa yang akan memberi kode, sehingga bisa mencegah kode itu terjadi?
Alat kecerdasan buatan baru yang diluncurkan oleh Ochsner Health System memungkinkan para dokter melakukan hal tersebut dengan menganalisis ribuan titik data untuk memprediksi pasien mana yang kondisi kesehatannya akan memburuk dalam waktu dekat.
Dibangun dengan platform pembelajaran mesin oleh perusahaan perangkat lunak perawatan kesehatan bernama Epic, terobosan teknologi yang menandai peringatan “pra-kode” dapat membantu tim perawat Ochsner untuk melakukan penanganan lebih cepat, mengobati pasien secara lebih proaktif dan dapat menyelamatkan lebih banyak nyawa.
“Alat ini seperti alat triase,” kata Michael Truxillo, Ochsner Medical Center Medical Director of the Rapid Response and Resuscitation Team, rumah sakit utama milik organisasi di New Orleans.
“Seorang dokter bisa mengawasi 16 hingga 20 pasien dalam satu unit, dan untuk mengetahui siapa yang paling membutuhkan perhatian Anda selalu menjadi tantangan tersendiri,” ungkapnya. “Alat itu mengatakan, ‘Hei, berdasarkan nilai lab, tanda-tanda vital dan data lainnya, Anda harus mengeck pasian ini sekarang.’”
Dalam percobaan 90 hari dengan sistem pada musim gugur yang lalu, Ochsner berhasil mengurangi jumlah kode khusus rumah sakit sebesar 44 persen. Kini mereka berhasil melakukan perluasan teknologi hingga 24 jam dan ke lebih banyak rumah sakit, yang merupakan sistem kesehatan non-laba terbesar di Louisiana. Platform pembelajaran mesin Epic dan model perpustakaan tersedia untuk semua organisasi yang menggunakan perangkat lunak Epic, terlepas dari apakah organisasi tersebut memiliki ilmuwan data pada staf.
Integrasi AI dan Perubahan Budaya
Peningkatan pesat AI telah membantu banyak proyek penelitian untuk perawatan kesehatan, tetapi Ochsner adalah salah satu sistem kesehatan pertama di negara itu yang mengintegrasikan AI ke dalam alur kerja perawatan pasien. Landasan untuk alat prediksinya telah dimulai lima tahun lalu, ketika Ochsner mulai melakukan standarisasi alur kerja dan mengonsolidasikan sumber data di banyak rumah sakit.
Model prediktif memerlukan data dalam jumlah besar, dan terobosan dengan perangkat lunak catatan kesehatan komprehensif Epic kini memungkinkan Ochsner untuk meminta basis data dari 11 rumah sakit. Data itu memungkinkan Ochsner untuk membangun, melatih, dan melakukan validasi model untuk memprediksi kemerosotan kondisi pasien.
“Kami memiliki visi lima tahun lalu bahwa kami akan menggunakan data tersebut dan harus dilakukan dengan bersih,” jelas Richard Milani, Chief Clinical Transformation Officer Ochsner Health System dan InnovationOchsner Medical Director, sebuah program untuk merevolusi perawatan kesehatan dengan solusi baru.
Membangun model adalah kerja keras, namun untuk mengintegrasikannya ke dalam alur kerja manusia juga tidak mudah. Teknologi ini membutuhkan cara kerja yang baru. Pada awalnya, beberapa dokter mengira alat itu adalah “kalkulator penilaian” lain yang mengidentifikasi kelompok besar pasien berisiko tinggi yang merupakan sesuatu yang dapat ditangani perawat.
Di lain waktu, sistem tersebut memicu peringatan untuk setiap pasien segera setelah seorang perawat memeriksa tanda-tanda vitalnya dan meninggalkan ruangan. Status pasien selalu berubah, dan sistem hanya mengirimkan sedikit peringatan setiap harinya – enam hingga sepuluh, dari ratusan pasien. Masing-masing membutuhkan perhatian dari penyedia terlatih dalam diagnosis cepat dan bukan hanya resusitasi.
“Hal ini adalah permainan bola berbeda yang mengubah budaya,” ungkap Milani. “Kami membuat pelatihan khusus yang tidak biasa dan membangun tim untuk melakukan hal ini dengan baik.”
Alert Penyedia Empat Jam Peringatan
Untuk mengurangi peringatan palsu, timnya melatih model untuk populasi Ochsner, yang memiliki banyak pasien dengan gagal ginjal dan jantung. Hasil laboratorium memang memburuk sebelum pasien dialisis menjalani perawatan, tetapi pasien tidak berisiko menunjukan kode.
Demikian pula, pasien LVAD – yang memakai alat bantu jantung – memiliki garis datar yang mengkhawatirkan untuk pembacaan tekanan darah, namun baik-baik saja. Model Ochsner memperhitungkan dua jenis pasien.
“Bagian dari proyek ini adalah mempelajari apa yang terjadi ketika Anda menempatkan model di dunia nyata,” kata Jonathan Wilt, innovationOchsner Chief Technology Officer. “Dan mengetahui apa yang akan sulit diprediksi dan dapatkah model menggantikan pekerjaan manusia dalam memasukkan angka dan tanda vital secara manual?”
Tim juga menentukan waktu dan frekuensi. Peringatan yang terlalu sedikit dapat melewatkan pasien berisiko tinggi, namun jika terlalu banyak juga tidak efisien. Peringatan yang dikirim terlalu cepat tidak menunjukkan urgensi, sedangkan yang terlambat dikirim membuat pasian tidak akan sempat ditangani.
Peringatan dengan durasi setiap empat jam ternyata ideal, memberikan cukup waktu bagi penyedia respon cepat untuk menyelesaikan apa yang harus lakukan, berjalan — tidak lari – ke kamar pasien dan melakukan evaluasi. Penanganan dapat berupa perubahan obat, pemindahan ke ICU atau bentuk perawatan lain yang lebih kompleks.
“Modelnya kuat, tapi kami ingin tahu, ‘Dengan informasi itu, dapatkah Anda melakukan sesuatu untuk mengubah apa yang akan menjadi jalannya sejarah?’” ujar Milani.
Membantu Sistem Kesehatan Menyelamatkan Nyawa dengan AI
Seorang ilmuwan data yang terlatih, Wilt juga menggunakan alat pembelajaran mesin canggih Epic untuk memprediksi tekanan yang melambung dan infeksi yang terjadi di rumah sakit. Tetapi platform Epic memungkinkan sistem kesehatan dari semua ukuran – termasuk yang tidak memiliki ahli AI – untuk membangun dan mengintegrasikan model dengan cepat.
Perpustakaan perusahaan tentang model pembelajaran mesin dan “algoritme ekonomi” yang berkembang di antara organisasi yang menggunakan perangkat lunaknya juga membantu sistem kesehatan, apakah mereka ingin memprediksi sepsis, risiko pendaftaran ulang atau tingkat kepegawaian.
“Hal ini berarti Anda tidak perlu memiliki ilmuwan data di organisasi Anda untuk dapat memanfaatkan mesin pembelajaran,” jelas Seth Hain, Epic Director of Analytics and Machine Learning.
Didukung oleh Microsoft Azure, platform ini sebagian besar tidak terlihat oleh pengguna akhir, sehingga semua yang mereka lihat adalah kunci, informasi waktu sesungguhnya – sebuah peringatan, saran tindakan, atau analisis dasbor. “Hal ini memberikan penyedia lebih banyak waktu untuk fokus kepada pasien,” ungkap Hain.
Truxillo mengatakan para penyedia Ochsner telah datang untuk menggunakan alat prediksi.
“Dokter pada dasarnya skeptis,“ katanya. “Mereka bertanya-tanya, ‘Apakah kecerdasan buatan akan menggantikan peran dokter?’”
Jawabannya adalah tidak; dokter masih harus mendiagnosis pasien, lanjutnya. Alat ini hanya membantu mereka memprioritaskan perawatan dan mensintesis aliran konstan perubahan informasi yang harus dilacak oleh dokter.
“Teknologi ini jelas membantu menyelamatkan nyawa,” kata Truxillo. “Jika kami dapat membuat perbedaan untuk pasien karena peringatan, kami telah melakukan layanan yang luar biasa kepada mereka, keluarga mereka dan masyarakat.”