مقدمة

يتميز التخدير كتخصص بتاريخ طويل من الابتكار في التطور التكنولوجي المرتبط بالتحسينات المتعلقة بسلامة المرضى. مع ذلك، فإن سرعة التطور التكنولوجي في الـ 20 عامًا الماضية لم تكن مسبوقة. يرتبط هذا في الغالب بالنمو المتسارع للبيانات وطاقة الحاسوب المؤدية إلى استخدام أدوات الذكاء الاصطناعي (AI) في البيئة المحيطة بالجراحة. اليوم، أصبحت لدى التكنولوجيا الناشئة في التخدير وطب الفترة المحيطة بالجراحة إمكانات هائلة لتحسين سلامة المرضى وجودة الرعاية بشكل أكبر. سيؤدي استخدام الذكاء الاصطناعي (AI) إلى تحسين سلامة المرضى من خلال مساعدة الطبيب على التنقل بسرعة بين البيانات من مصادر مختلفة و مساعدته كذلك بفعالية على تشكيل وإتّخاذ قرارات طبية أفضل وأكثر استنارة في نظام رعاية صحية معقد.^1‏‎-3 بالإضافة إلى ذلك، سيُستخدم الذكاء الاصطناعي (AI) لتحسين سلامة المرضى من خلال دمجه في سير عمل المسؤولين عن سلامة المرضى في الفترة المحيطة بالجراحة والجودة وعلماء سلامة المرضى والمسؤولين عن أنظمة الرعاية الصحية. يمتد دور الذكاء الاصطناعي (AI) في تحسين سلامة المرضى من قدرته على تعزيز قرارات السياسة المصممة لتحديد التهديدات المتعلقة بسلامة المرضى وتقييمها وتخفيفها على نطاق واسع.^4,5 في هذه المراجعة الموجزة، نقدم نظرة عامة حول الذكاء الاصطناعي (AI) كتكنولوجيا ناشئة، كما نوفر إطارًا عمليًا لاختصاصيي التخدير لفهم العلاقة المهمة بين الذكاء الاصطناعي (AI) وسلامة المرضى في الفترة المحيطة بالجراحة.

سلامة المرضى والتكنولوجيات الناشئة في عالم معقد

يمكن تعريف سلامة المرضى على أنها غياب الضرر الذي يمكن الوقاية منه عن المريض وتقليل خطر حدوث الأضرار خلال تقديم الرعاية الصحية.⁶ لقد كان اختصاصيو التخدير كمسؤولين عن سلامة المرضى في المقدمة من ناحية إجراء الأبحاث وتحسين الجودة واعتماد التكنولوجيا وتضمين المبادئ الهندسية للحد من الأضرار والمخاطر على المرضى. التحدي المتمثل في تقديم رعاية آمنة متعلقة بالتخدير في طب الفترة المحيطة بالجراحة الحديث بحد ذاته يمكن أن يصبح مصدراً للإهتمام بسلامة المرضى ، حيث إن صعوبة حالات المرضى وسرعة تقديم الرعاية ونطاق الأنظمة الصحية والتحديات الناتجة عن الاتصال بين التخصصات المتعددة والحجم الهائل للبيانات تزداد مع مرور الوقت. أصبحت الحاجة إلى فرق رعاية متعلقة بالتخدير لتوسيع نطاق معرفتها ووجودها وكفاءتها في بيئة الفترة المحيطة بالجراحة والرعاية الصحية أكبر من أي وقت مضى، خصوصًا عندما يكون الضغط هائلاً على القوى العاملة.

للاستجابة لتحديات تقديم الرعاية الصحية الحالية والاستمرار في الوفاء بوعد تحقيق سلامة المرضى، تحتاج فرق الرعاية المتعلقة بالتخدير إلى فهم التكنولوجيات الناشئة وتلك المتاحة للمساعدة على تحسين سلامة المرضى. يُعد الذكاء الاصطناعي (AI) أحد العناصر الرئيسة للتكنولوجيات الناشئة التي غيرت العالم خارج مجال الرعاية الصحية بالفعل وهو على وشك الاعتماد على نطاق أوسع في مجال الرعاية الصحية. لتحقيق تقدم في مجال سلامة المرضى في الفترة المحيطة بالجراحة بطريقة مسؤولة، يحتاج اختصاصيو التخدير إلى فهم مبادئ الذكاء الاصطناعي (AI) والإمكانات والمخاطر والأخلاقيات واستخدام الذكاء الاصطناعي (AI) في الممارسة السريرية. سيتطلب ذلك شراكة وتعاون داخل فريق متنوع في مجال الرعاية الصحية، بما في ذلك قدرة اختصاصيي التخدير على التواصل بشكل فعال مع علماء البيانات وعلماء الحاسوب ومحللي البيانات وخبراء الذكاء الاصطناعي.

نظرة عامة على استخدامات الذكاء الاصطناعي في التخدير

يمكن تعريف الذكاء الاصطناعي (AI) بشكل عام على أنه قدرة الحاسوب أو الجهاز على تحليل كمية كبيرة من بيانات الرعاية الصحية المعقدة وكشف المعرفة وتحديد المخاطر والفرص ودعم تحسين عملية اتخاذ القرارات.⁷ بينما يتطور مجال الذكاء الاصطناعي (AI) بسرعة، نرى أساليب تقنية رئيسة تستخدم في الرعاية الصحية مثل التعلم الآلي ومعالجة اللغة الطبيعية³ والجمع بين الذكاء الاصطناعي (AI) ودعم القرارات السريرية من خلال تطوير واجهات المستخدم الرسومية.

التعلم الآلي هو أحد أكثر أشكال الذكاء الاصطناعي (AI) شيوعًا ويمكن أن يُعد أسلوبًا إحصائيًا لملاءمة النماذج مع البيانات عن طريق “تعلم” الحاسوب كيفية فهم البيانات باستخدام مجموعات بيانات التدريب كأمثلة.⁸ وتتضمن أشكال التعلم الآلي المتقدمة الشبكات العصبية والتعلم العميق. الأمثلة الحديثة للتعلم الآلي في التخدير تتضمن دراسة أي من المتغيرات التي كانت تتنبأ بانخفاض ضغط الدم بعد التحفيز باستخدام بيانات السجلات الصحية الإلكترونية⁹ أو التنبؤ بقيمة المؤشر ثنائي الطيف (BIS™‎، ‏Medtronic، دﺑلن، أيرلندا) بالاستناد إلى تاريخ تسريب البروبوفول والرميفنتانيل¹⁰ أو التنبؤ بالوفيات في المستشفى بعد الجراحة باستخدام بيانات ما قبل الجراحة والفترة في أثناء الجراحة.¹¹

معالجة اللغة الطبيعية هي أحد أشكال الذكاء الاصطناعي (AI) التي يمكن استخدامها لاستخراج المعلومات ذات الصلة من البيانات النصية غير المنظمة. على سبيل المثال، استُخدمت معالجة اللغة الطبيعية مؤخرًا في دراسة راجعة لتقييم ما إذا كان يمكن استخراج نص حر غير منظم للحالات الطبية في السجلات الطبية الإلكترونية بواسطة حاسوب واستخدامه لإنشاء تقرير تقييم تلقائي قبل التخدير. وركزت النتائج على عدد المرات التي يتعرف فيها برنامج معالجة اللغة الطبيعية على الحالات الطبية مقارنةً باختصاصي التخدير. وأفادت الدراسة بأن معالجة اللغة الطبيعية كانت قادرة على انتقاء الحوادث ذات الصلة التي غفل عنها الطبيب لدى 16.57% من الحالات، كما أنها لم تغفل إلا عن 2.19% من الحوادث ذات الصلة التي لاحظها الأطباء في الحالات.¹² فتُعد فرص استخدام معالجة اللغة الطبيعية لتوسيع نطاق قدرة اختصاصي التخدير وتعزيزها في بيئة رعاية معقدة ذات موارد محدودة من الموظفين استخدامًا مذهلاً للذكاء الاصطناعي (AI) يهدف إلى تحقيق سلامة المرضى.

يمكن استخدام الذكاء الاصطناعي كذلك مع أنظمة دعم القرارات السريرية التي يُمكن العثور عليها في الرعاية الحديثة المتعلقة بالتخدير حيث يمكن لنظام إدارة معلومات التخدير توفير إشعارات إلكترونية لفريق التخدير بشأن جرعات المضادات الحيوية في الفترة المحيطة بالجراحة واستخدام طرق الوقاية من الغثيان والقيء اللاحق للجراحة لدى المرضى المعرضين لمخاطر عالية والمساعدة على إدارة جلوكوز الدم. فقد أظهر تحليل شمولي حديث أن دعم القرارات السريرية يمكنه تحسين الامتثال في تناول المضادات الحيوية الوقائية في الفترة المحيطة بالجراحة.¹³ وستتضمن أدوار الذكاء الاصطناعي (AI) المستقبلية في دعم القرارات السريرية لتحسين سلامة المرضى تقديم توصيات حول المضاد الحيوي الأمثل بالاستناد إلى معلومات السجل الطبي الإلكتروني للمريض وتاريخه الطبي وعمليته الجراحية. يُمكن استخدام الذكاء الاصطناعي (AI) كذلك لتعزيز سلامة المرضى في الفترة المحيطة بالجراحة من خلال الكشف المبكر عن التدهور السريري وتوفير دعم القرارات السريرية للإدارة المثلى للتغيرات الفسيولوجية أثناء الجراحة.

الهدف الخماسي

يُمكن رؤية التأثير المباشر الذي سيحدثه الذكاء الاصطناعي (AI) في سلامة المرضى في الفترة المحيطة بالجراحة من خلال منظور الهدف الخماسي (الشكل 1). الهدف الخماسي هو الخطوة التالية المقترحة لتحسين سلامة المرضى وجودة الرعاية المقدمة. قدم معهد تحسين الرعاية الصحية الهدف الثلاثي في عام 2008، كإطار عمل لتحسين تجربة المريض والاهتمام بصحة السكان وخفض التكاليف كأساسيات لتطوير الرعاية الصحية.¹⁴ وفي عام 2014، تم تقديم الهدف الرباعي ليشمل رفاهية الطبيب، استجابةً للأبحاث التي توضح أن انكباب الطبيب على العمل وإرهاقه قادا إلى مزيد من الأحداث الضارة بالسلامة وانخفاض جودة الرعاية.¹⁵ أقرت العديد من مجموعات الاعتماد مثل اللجنة الوطنية لضمان الجودة واللجنة المشتركة بأهمية تحقيق الهدفين الثلاثي والرباعي. في عام 2022، تم اقتراح الهدف الخماسي وذلك بإضافة هدف خامس وهو: تعزيز العدالة الصحية. كان هذا إقرارًا بأن تقديم رعاية عالية الجودة وآمنة إلى المرضى من السكان وتحقيق الأهداف الأخرى يتطلبان التركيز على قياس التفاوتات ودراستها ومعالجتها بفعالية.¹⁶

يلعب الذكاء الاصطناعي (AI) دورًا مهمًا في سلامة المرضى في الفترة المحيطة بالجراحة من خلال منظور الهدف الخماسي. في نظام تقديم الرعاية الصحية الحديث المعقد، يمكن أن يساعد الذكاء الاصطناعي (AI) اختصاصيي التخدير على معالجة الأهداف الخمسة للهدف الخماسي الذي قد يؤدي لاحقًا إلى تحسين أمان الرعاية وجودتها طوال الفترة المحيطة بالجراحة. يقدم الشكل 2 مجموعة مختلفة من الأمثلة المحتملة لاستخدامات الذكاء الاصطناعي (AI) ضمن إطار عمل الهدف الخماسي لتحسين سلامة المرضى والجودة.

وضع الكل في بوتقة واحدة

سيتطلب تسخير الذكاء الاصطناعي (AI) لتحسين سلامة المرضى في التخدير قدرًا كبيرًا من العمل من الأطباء الفرديين ومجموعات التخدير وأنظمة الرعاية الصحية والوكالات التنظيمية مثل إدارة الغذاء والدواء (FDA) الأمريكية. الذكاء الاصطناعي (AI) ليس منتشرًا على نطاق واسع في الممارسة السريرية كما كان يتوقع البعض منذ خمس سنوات فقط. بالإضافة إلى ذلك، فإن اعتماد الذكاء الاصطناعي (AI) في علم سلامة المرضى وممارسته لا يزال يتطلب وقتًا لنضوجه . تنذر أحداث عديدة بالدمج الحقيقي بين الذكاء الاصطناعي (AI) وسلامة المرضى في الفترة المحيطة بالجراحة. المسارات التنظيمية الجديدة التي أنشأتها إدارة الغذاء والدواء (FDA) في عام 2019 قللت من الحواجز التنظيمية وما تبعها من تخبط مالي للسماح للشركات بتعزيز استخدام الذكاء الاصطناعي (AI) في مجال الرعاية الصحية. وعلى عكس الأجهزة الطبية التقليدية، فإن طبيعة تحديثات البرامج والاختلافات الأخرى تعني أن برامج الذكاء الاصطناعي (AI) والتعلم الآلي تتطلب التنظيم وفقًا لمسارها الخاص بها كجهاز طبي. مع مزيد من الوضوح بشأن التنظيم وتحسين الأبحاث وتطوير الذكاء الاصطناعي (AI) في مجال الرعاية الصحية، من المحتمل أن يزداد انتشار استخدام الذكاء الاصطناعي (AI) على مستوى الفرد والأنظمة الصحية.

تشمل الاعتبارات المهمة الأخرى لاستخدام الذكاء الاصطناعي (AI) في الرعاية الصحية ضمان مستويات واضحة لفهم كيفية تصميم الخوارزميات وكذلك تقليل وإزالة التحيز المرتبط بخوارزميات الذكاء الاصطناعي (AI‏) .‎^‏17 على سبيل المثال، يتعين كذلك على الفرق فهم خوارزميات الذكاء الاصطناعي (AI) التي تساعد على تحسين أداء الأطباء التي تستخدمها، والتي تتضمن مستوى من الشفافية في فهم كيفية عمل الخوارزميات.¹⁸ بالإضافة إلى ذلك، ينبغي إيلاء اهتمام خاص بالتطوير التأسيسي لخوارزميات الذكاء الاصطناعي (AI) والبيانات المستخدمة لإنشاء أدوات الذكاء الاصطناعي (AI) لتقليل مخاطر التحيز العرقي/الإثني والاجتماعي الاقتصادي والإحصائي.^18‏‎-20

الخلاصة

للنهوض بمجال التخدير وسلامة المرضى في الفترة المحيطة بالجراحة، يجب تعلم التكنولوجيات الناشئة مثل الذكاء الاصطناعي (AI) وتضمينها في مجال التخدير السريري. حتى يكون الذكاء الاصطناعي (AI) فعالاً، فإن تطبيق التحليلات القائمة على البيانات مع نماذج سلامة المرضى في التخدير سيتطلب من المنظمات الإبتكار من خلال دعم تطوير فرق متعددة التخصصات من الأطباء وعلماء البيانات والمهندسين وعلماء المعلومات وعلماء سلامة المرضى وإعدادها. مع استمرار تطور تقديم الرعاية المتعلقة بالتخدير، ستحتاج الطبيعة متعددة التخصصات لسلامة المرضى في الفترة المحيطة بالجراحة إلى الاستجابة باستخدام نهج مبتكر متعدد التخصصات وفريق وحل—وهو نهج يمكنه تسخير قابلية تطور الذكاء الاصطناعي (AI) وقوته من خلال منظور الهدف الخماسي.

 

Jonathan Tan،‏ MD،‏ MPH،‏ MBI،‏ FASA، أستاذ مساعد في التخدير السريري والعلوم المكانية في مستشفىChildren’s Hospital Los Angeles ومدرسة كيك للطب بجامعة جنوب كاليفورنيا ومعهد العلوم المكانية بجامعة جنوب كاليفورنيا، لوس أنجلوس، كاليفورنيا.

Maxime Cannesson، ‏MD، ‏PhD، أستاذ التخدير ورئيس قسم التخدير وطب الفترة المحيطة بالجراحة في كلية ديفيد جيفن للطب بجامعة كاليفورنيا، لوس أنجلوس، كاليفورنيا.

---

إفصاحات: Jonathan Tan،‏ MD،‏ MPH،‏ MBI،‏ FASA، يتلقى تمويلاً للمنحة البحثية من مؤسسة Anesthesia Patient Safety Foundation (APSF) ومؤسسة Anesthesia Education and Research (FAER)‎.

Maxime Cannesson، ‏MD، ‏PhD، استشاري لشركتي Masimo وEdwards Lifesciences ويتلقى دعمًا للأبحاث من شركتي Masimo وEdwards Lifesciences ويعد مسهمًا في شركة Sironis وشركة Perceptive Medical ويتلقى عائدات من شركة ‎.Edwards Lifesciences

---

المراجع

1. Grossman LV, Choi SW, Collins S, et al. Implementation of acute care patient portals: recommendations on utility and use from six early adopters. J Am Med Inform Assoc. 2018;25:370–379. PMID: 29040634.
2. Macrae C. Governing the safety of artificial intelligence in healthcare. BMJ Qual Saf. 2019;28:495–498. PMID: 30979783.
3. Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review. JMIR Med Inform. 2020;8:e18599. PMID: 32706688.
4. Dalal AK, Fuller T, Garabedian P, et al. Systems engineering and human factors support of a system of novel EHR-integrated tools to prevent harm in the hospital. J Am Med Inform Assoc. 2019;26:553–560. PMID: 30903660.
5. Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care. JAMA. 2019;321:31–32. PMID: 30535130
6. World Health Organization. Patient Safety. Sept 13, 2019. Accessed November 8, 2022. https://www.who.int/news-room/fact-sheets/detail/patient-safety#:~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care.
7. Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial intelligence in surgery: promises and perils. Ann Surg. 2018;268:70–76. PMID: 29389679.
8. Bi Q, Goodman KE, Kaminsky J, Lessler J. What is machine learning? A primer for the epidemiologist. Am J Epidemiol. 2019; 188: 2222–2239. PMID: 31509183.
9. Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129:675–688. PMID: 30074930.
10. Lee HC, Ryu HG, Chung EJ, Jung CW. Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: a deep learning approach. Anesthesiology. 2018;128:492–501. PMID: 28953500.
11. Lee CK, Hofer I, Gabel E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality. Anesthesiology. 2018;129:649–662. PMID: 29664888.
12. Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine [published online ahead of print, 2022 Jul 15]. Anesth Analg. 2022 Dec 1;135:1162–1171. PMID: 35841317.
13. Simpao AF, Tan JM, Lingappan AM, et al. A systematic review of near real-time and point-of-care clinical decision support in anesthesia information management systems. J Clin Monit Comput. 2017;31:885–894. PMID: 27530457.
14. Berwick DM, Nolan TW, Whittington J. The triple aim: care, health, and cost. Health Aff (Millwood). 2008;27:759–769. PMID: 18474969.
15. Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider. Ann Fam Med. 2014;12:573–576. PMID: 25384822.
16. Nundy S, Cooper LA, Mate KS. The quintuple aim for health care improvement: a new imperative to advance health equity. JAMA. 2022;327:521–522. PMID: 35061006.
17. Canales C, Lee C, Cannesson M. Science without conscience is but the ruin of the soul: the ethics of big data and artificial intelligence in perioperative medicine. Anesth Analg. 2020;130:1234–1243. PMID: 32287130.
18. Diallo MS, Tan JM, Heitmiller ES, Vetter TR. Achieving greater health equity: an opportunity for anesthesiology. Anesth Analg. 2022;134:1175–1184. PMID: 35110516.
19. Amann J, Blasimme A, Vayena E, et al. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020; 310 (20). PMID: 33256715.
20. Parikh RB, Teeple S, Navathe AS. Addressing bias in artificial intelligence in health care. JAMA. 2019; 322:2377–2378. PMID: 31755905.