Δημοσιευμένη μεθοδολογία από ομάδα επιστημόνων (Πληροφορικής, Ιατρικής και Βιολογίας) της νοσοκομειακής μονάδας «Σισμανόγλειο» του ΓΝΑ «ΣΙΣΜΑΝΟΓΛΕΙΟ-ΑΜ.ΦΛΕΜΙΓΚ» με χρήση τεχνικών Τεχνητής Νοημοσύνης σε δεδομένα ευαισθησίας στα αντιβιοτικά από το Μικροβιολογικό Εργαστήριο, που έχει σκοπό να βοηθήσει τους Ιατρούς του νοσοκομείου για την επιλογή κατάλληλης εμπειρικής αντιβιοτικής θεραπείας. Η μεθοδολογία αυτή βασίζεται αποκλειστικά σε δεδομένα του Εργαστηρίου Μικροβιολογίας που υπάρχουν ήδη στο Εργαστηριακό Πληροφοριακό Σύστημα του νοσοκομείου.
Ασθενείς σε Νοσηλευτικά Ιδρύματα. Εκτιμάται ότι θα ωφεληθούν περίπου 500 ασθενείς του νοσοκομείου
Ο λόγος ανάπτυξης αυτής της καινοτομίας ήταν η αξιοποίηση των δεδομένων του Μικροβιολογικού Εργαστηρίου που υπάρχει ήδη στο Εργαστηριακό Πληροφοριακό Σύστημα του νοσοκομείου με χρήση μεθόδων Τεχνητής Νοημοσύνης με σκοπό την ανάπτυξη μιας μεθοδολογίας χαμηλού κόστους που μπορεί να χρησιμοποιηθεί σε οποιαδήποτε Νοσοκομειακή Κλινική ως ένα συμπληρωματικό εργαλείο υποβοήθησης στη λήψη των αποφάσεων σε συνδυασμό με τα ισχύοντα Ιατρικά πρωτόκολλα.
Δημοσιευμένη μεθοδολογία από ομάδα επιστημόνων (Πληροφορικής, Ιατρικής και Βιολογίας) της νοσοκομειακής μονάδας «Σισμανόγλειο» του ΓΝΑ «ΣΙΣΜΑΝΟΓΛΕΙΟ-ΑΜ.ΦΛΕΜΙΓΚ» με χρήση τεχνικών Τεχνητής Νοημοσύνης σε δεδομένα ευαισθησίας στα αντιβιοτικά από το Μικροβιολογικό Εργαστήριο, που έχει σκοπό να βοηθήσει τους Ιατρούς του νοσοκομείου για την επιλογή κατάλληλης εμπειρικής αντιβιοτικής θεραπείας. Η μεθοδολογία αυτή βασίζεται αποκλειστικά σε δεδομένα του Εργαστηρίου Μικροβιολογίας που υπάρχουν ήδη στο Εργαστηριακό Πληροφοριακό Σύστημα του νοσοκομείου.
Η αύξηση της ακρίβειας στην επιλογή κατάλληλης εμπειρικής θεραπείας με τα αντίστοιχα σημαντικά οφέλη για τους ασθενείς, την διάρκεια και το κόστος νοσηλείας.
Δεν υπάρχει ακόμη πηγή χρηματοδότησης
Η προτεινόμενη μεθοδολογία όταν χρησιμοποιηθεί ως εργαλείο υποστήριξης αποφάσεων, έχει τη δυνατότητα να βελτιώσει την διαδικασία επιλογής της εμπειρικής θεραπείας με τα αντίστοιχα σημαντικά οφέλη για τους ασθενείς, την διάρκεια και το κόστος νοσηλείας και να μειώσει μακροπρόθεσμα το φορτίο της μικροβιακής αντοχής στο Νοσοκομείο.
Εκτιμάται ότι οι ωφελούμενοι - ασθενείς θα ανέλθουν σε 500 ανά χρόνο ενώ προβλέπεται μείωση δαπανών 50.000 € κατ'έτος.
Η καινοτομία αυτή σχεδιάστηκε με τη συνεργασία του επιστημονικού προσωπικού Πληροφορικής και Ιατρικής και οι προδιαγραφές που χρησιμοποιήθηκαν βασίζονται στις ανάγκες του Ιατρικού προσωπικού για επιπλέον πληροφόρηση σχετικά με τα μοντέλα πρόβλεψης που αναπτύχθηκαν με τεχνικές τεχνητής νοημοσύνης.
Στην ερευνητική αυτή μελέτη χρησιμοποιήθηκαν τεχνικές Μηχανικής και Βαθιάς μάθησης (Machine Learning, Deep Learning) σε δεδομένα του Μικροβιολογικού εργαστηρίου, και ειδικότερα στα αποτελέσματα των εξετάσεων που αφορούν την ευαισθησία των βακτηρίων σε μεμονωμένα αντιβιοτικά, γνωρίζοντας μόνο τη χρώση κατά Gram του βακτηρίου, το είδος του κλινικού δείγματος και κάποια από τα δημογραφικά στοιχεία των ασθενών. Αναλυτική περιγραφή των μεθόδων και των αποτελεσμάτων υπάρχει στις δυο (2) σχετικές δημοσιεύσεις (2020), στο έγκριτο διεθνές επιστημονικό περιοδικό Antibiotics (IF 3.893) στο άρθρο με τίτλο “Using Machine Learning Techniques to Aid Empirical Antibiotic Therapy Decisions in the Intensive Care Unit of a General Hospital in Greece” καθώς επίσης και στο διεθνές συνέδριο 18th International Conference on Informatics, Management and Technology in Healthcare στο άρθρο με τίτλο “Using Machine Learning Algorithms to Predict Antimicrobial Resistance and Assist Empirical Treatment”.
Δημοσιευμένη μεθοδολογία από ομάδα επιστημόνων (Πληροφορικής, Ιατρικής και Βιολογίας) της νοσοκομειακής μονάδας «Σισμανόγλειο» του ΓΝΑ «ΣΙΣΜΑΝΟΓΛΕΙΟ-ΑΜ.ΦΛΕΜΙΓΚ» με χρήση τεχνικών Τεχνητής Νοημοσύνης σε δεδομένα ευαισθησίας στα αντιβιοτικά από το Μικροβιολογικό Εργαστήριο, που έχει σκοπό να βοηθήσει τους Ιατρούς του νοσοκομείου για την επιλογή κατάλληλης εμπειρικής αντιβιοτικής θεραπείας. Η μεθοδολογία αυτή βασίζεται αποκλειστικά σε δεδομένα του Εργαστηρίου Μικροβιολογίας που υπάρχουν ήδη στο Εργαστηριακό Πληροφοριακό Σύστημα του νοσοκομείου.
Δεν έχει γίνει διάδοση ακόμη.
Μεταξύ μονάδων της δημόσιας οργάνωσης.
Υπήρξε συνεργασία με τον Αναπληρωτή Καθηγητή του ΕΑΠ Δρ Δημήτριο Καλλέ. Το αποτέλεσμα της συνεργασίας ήταν τεχνικές συμβουλές σχετικά με τις μεθόδους που έχουν επιλεγεί.
Απαιτείται χρηματοδότηση προκειμένου να διασυνδεθεί η καινοτομία στο πληροφοριακό σύστημα του νοσοκομείου.
Θα πρέπει να γίνει μετάβαση από το πειραματικό στάδιο στην εφαρμογή της, ξεκινώντας πιλοτικά από την ΜΕΘ που υπάρχει και η μεγαλύτερη ανάγκη για τέτοια γνώση.
Οι τεχνικές Τεχνητής Νοημοσύνης (Artificial Intelligence) θα μπορούσαν να χρησιμοποιηθούν για τη δημιουργία ενός συστήματος υποστήριξης κλινικών αποφάσεων για να βοηθήσουν τους κλινικούς ιατρούς να κάνουν πιο αποτελεσματικές επιλογές σε συνδυασμό πάντα με τα ιατρικά πρωτόκολλα. Η επισκόπηση της επιστημονικής βιβλιογραφίας δείχνει πολλά υποσχόμενα αποτελέσματα στη χρήση τεχνικών AI στην υγειονομική περίθαλψη, ιδιαίτερα στην αντιμετώπιση του φαινομένου της μικροβιακής αντοχής.
Yποστήριξη της ανάπτυξης καινοτομίας στην ελληνική δημόσια διοίκηση μέσω της δημιουργίας ενός δυναμικού οικοσυστήματος.
Ο ιστότοπός μας χρησιμοποιεί cookies για να διασφαλίσει την καλύτερη δυνατή εμπειρία πλοήγησης και την εξατομίκευση του περιεχομένου.