Do Machine Learning–Guided Proactive Full Capacity Protocols Mitigate Emergency Department Overcrowding? A Simulation-Based Evaluation
تُظهر هذه الدراسة أن بروتوكول "القدرة الاستيعابية الكاملة" الاستباقي الموجه بتعلم الآلة، والذي يتنبأ بالازدحام قبل ست ساعات من وقوعه، يقلل بشكل كبير من الوقت الذي تقضيه أقسام الطواراء فوق عتبات الازدحام ويقصر مدة البروتوكول مقارنة بالتفعيل التقليدي التفاعلي، رغم أنه لا يحسن بشكل ملحوظ أوقات الانتظار الإجمالية أو مدة الإقامة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد أقسام الطوارئ خطوط المواجهة في الطب الحديث، وهي المكان الذي يلتقي فيه تدفق الاحتياجات البشرية مع الحدود الثابتة لموارد المستشفيات. وعندما يصل عدد كبير جداً من الناس في وقت واحد، أو عندما لا يتمكن المرضى الذين يحتاجون إلى التنويم في المستشفى من الانتقال بسرعة إلى سرير عادي، يتوقف النظام عن العمل. إن حالة الازدحام هذه ليست مجرد انتظار طويل؛ بل هي حالة خطيرة تؤدي إلى تأخير الرعاية الحرجة، وتزيد من خطر الأخطاء الطبية، وتنهك الطواقم التي يتعين عليها العمل في بيئات فوضوية وعالية الضغط. ولعقود من الزمن، حاولت المستشفيات إدارة هذا الأمر من خلال الانتظار حتى تمتلئ غرفة الانتظار، ثم إطلاق إنذار لحشد مساعدة إضافية. هذا النهج، المعروف باسم "الاستراتيجية التفاعلية"، يشبه محاولة إخماد حريق بعد أن تكون النيران قد انتشرت بالفعل. والسؤال الذي كان الباحثون يتساءلون عنه هو ما إذا كان من الممكن التنبؤ بالحريق قبل أن يبدأ، مما يسمح للمستشفى بتجهيز دفاعاته مسبقاً.
وضع فريق من الباحثين من جامعة إمبوريا ستيت وجامعة ألاباما في برمنغهام خطة لاختبار هذه الفكرة باستخدام مزيج قوي من النمذجة الحاسوبية والذكاء الاصطناعي. أرادوا معرفة ما إذا كان بإمكان نظام يتنبأ بالازدحام قبل وقوعه بساعات أن يُفعل "بروتوكول السعة الكاملة" في وقت أبكر من المعتاد، وبالتالي منع أسوأ حالات الاختناق. "بروتوكول السعة الكاملة" هو خطة شاملة للمستشفى يتم تفعيلها عندما يغلب الضغط على قسم الطوارج؛ ويتضمن إجراءات مثل فتح مساحات علاج إضافية في الممرات، واستدعاء ممرضين مؤقتين، وإيقاف نقل المرضى غير العاجلين لتوفير مساحة. في النموذج التفاعلي التقليدي، لا تبدأ هذه الإجراءات إلا بعد أن تتجاوز غرفة الانتظار حداً معيناً. اقترح الباحثون مساراً مختلفاً: استخدام التعلم الآلي للتنبؤ بعدد الأشخاص المنتظرين في الردهة بعد ست ساعات من الآن، ثم تفعيل البروتوكول في اللحظة التي يشير فيها التنبؤ إلى اقتراب أزمة، حتى لو كانت غرفة الانتظار الحالية تبدو تحت السيطرة.
ولاختبار ذلك دون المخاطرة بسلامة المرضى، بنى الفريق "توأماً رقمياً" مفصلاً لقسم طوارئ كبير. أعادت هذه المحاكاة الحاسوبية، المعروفة باسم "محاكاة الحدث المنفصل"، إنشاء الرحلة المعقدة لزيارات المرضى على مدار عام كامل، مع ضبطها باستخدام بيانات حقيقية من 308,196 زيارة تاريخية من المستشفى الشريك. وقد راعى النموذج كل متغير يؤثر على مستشفى حقيقي، بما في ذلك عدد المرضى الواصلين، ومدى خطورة حالتهم، والوقت الذي يستغرقه الأطباء لعلاجهم، ومدى سرعة توفر الأسرة في الطوابق العليا. غَذّى الباحثون هذه المحاكاة ببيانات حقيقية من المستشفى الشريك، مما ضمن أن البيئة الرقمية تسلك تماماً مثل الواقع. ثم قاموا بدمج نموذج تعلم آلي داخل المحاكاة. تعلم هذا "الدماغ الرقمي" النظر في نشاط غرفة الانتظار خلال اليومين الماضيين والتنبؤ بعدد المرضى خلال الست ساعات القادمة. وعندما أظهر التنبؤ أن غرفة الانتظار ستصبح ممتلئة قرياً، قامت المحاكاة تلقائياً بتفعيل "بروتوكول السعة الكاملة" الاستباقي. أجروا هذا السيناريو 10 مرات مع بذور عشوائية مختلفة، مقارنين النتائج بمجموعة ضابطة حيث انتظر المستشفى حتى امتلأت غرفة الانتظار فعلياً قبل اتخاذ أي إجراء.
كانت نتائج المحاكاة واضحة ومحددة. فعندما استخدم المستشفى النهج الاستباقي الموجه بالتنبؤ، قضى قسم الطوارئ وقتاً أقل بكثير في حالة الازدحام الشديد مقارنة بالنهج التفاعلي. تم تفعيل البروتوكول بشكل متكرر أكثر، لكن كل تفعيل كان أقصر بكثير. بدلاً من الانتظار حتى تتراكم الأزمة ثم خوض معركة طويلة ومرهقة لتفريغ التراكمات، قام النظام الاستباقي بإجراء تعديلات أصغر وأبكر حافظت على استقرار القسم. أظهرت المحاكاة أن هذه الطريقة قللت من نسبة الوقت الذي يعمل فيه القسم فوق حد الازدحام بنحو 5% عند الإعداد المتوسط، وبنسبة تصل إلى 21% عند الإعداد الأكثر حساسية. وبينما لم تظهر متوسط مدة بقاء المريض في قسم الطوارئ ومتوسط وقت انتظار غرفة العلاج تغيراً ذا دلالة إحصائية في هذه المحاكاة، إلا أن تقليل حالات الازدحام الشديد كان هو النتيجة الأهم. وهذا يشير إلى أن النظام أصبح أكثر مرونة، متجنباً حالات الاختناق العميقة والمطولة التي يصعب علاجها.
اختبر الباحثون أيضاً مدى قوة هذا النظام من خلال تغيير قواعد اللعبة. فقد قاموا بمحاكاة سيناريوهات يستغرق فيها الحصول على طاقم إضافي وقتاً أطول، أو تكون فيها قواعد إيقاف البروتوكول أكثر صرامة، أو تتوفر فيها موارد أقل. وفي كل حالة، صمدت الاستراتيجية الاستباقية بشكل أفضل من الاستراتيجية التفاعلية في منع القسم من الانزلاق نحو الفوضى. ومع ذلك، سلطت الدراسة الضوء أيضاً على أن التوقيت والموارد يجب أن يعملا معاً؛ فإذا كان المستشفى بطيئاً جداً في تفعيل المساعدة الإضافية، فإن فائدة الإنذار المبكر تتلاشى. أظهرت المحاكاة أن قيمة التنبؤ تكون في أعظم حالاتها عندما يمكن للمستشفى الاستجابة بسرعة للتوقعات. لم تثبت الدراسة أن هذا النظام يعمل في مستشفى حقيقي بعد، حيث تم اختباره بالكامل داخل النموذج الحاسوبي. ويؤكد المؤلفون أن هذه خطوة أولى حاسمة، وهي طريقة آمنة لتجربة فكرة جديدة قبل تجربتها على مرضى حقيقيين. ويخططون لنقل هذه النتائج إلى بيئة مستشفى حية لاحق لاختبار ما إذا كانت التنبؤات الرقمية يمكن أن توجه القرارات في العالم الحقيقي وتحسن تجربة كل من المرضى والطواقم.
يمثل هذا العمل تحولاً في كيفية تفكير المستشفيات في إدارة أهم مورد لديها: الوقت. فمن خلال الانتقال من نظام يستجيب للمشكلات فور حدنا، إلى نظام يتوقعها، قد تتمكن المستشفيات من تخفيف ذروات الازدحام الحادة التي تسبب الكثير من الضرر. تشير المحاكاة إلى أن مفتاح قسم طوارٍ أكثر هدوءاً ليس فقط في امتلاك المزيد من الأسرة أو الأطباء، بل في معرفة متى تستخدمهم بالضبط. تقدم الدراسة مخططاً لاستخدام البيانات ليس فقط لحساب الماضي، بل لتشكيل المستقبل، مقدمةً لمحة عن نظام رعاية صحية يكون مستعداً للعاصلة قبل سقوط أول قطرة مطر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.