Umělá inteligence dokáže odhalit pacienty ohrožené deliriem

Výzkumníci se ve své studii zaměřili na fakt, že delirium vyskytující se u pacientů pobývajících v nemocnicích lékaři často nezachytí včas, nebo vůbec. Pokud se tak stane, může tento nebezpečný stav výrazně prodloužit nemocnému člověku hospitalizaci. Výskyt deliria navíc zvyšuje riziko úmrtnosti a zhoršuje dlouhodobé výsledky léčby.

Výpočet v reálném čase

Hlavní autor studie Joseph Friedman, zakladatel a ředitel Delirium Services pro zdravotnický systém Mount Sinai řekl, že se výzkumníci jako první pokusili neuspokojivou situaci změnit vytvořením modelu AI, který umí přesně vypočítat riziko deliria v reálném čase. Navíc se hladce integruje do klinických pracovních postupů, což může nemocničnímu personálu pomoci zachytit a léčit i ty pacienty s deliriem, kteří by jinak mohli být přehlédnuti.

Výzkumů týkajících se predikce deliria proběhlo již několik. Například v dubnu 2025 byla zveřejněna studie, kdy vědci vytvořili model strojového učení pro predikci deliria u pacientů na JIP pouze za pomoci kontinuálních fyziologických dat. Jiný výzkum se soustředil na vytvoření modelu strojového učení, který je schopen identifikovat hospitalizované pacienty se zvýšeným rizikem deliria v příštích 24 hodinách. Nikdy se však nejednalo o studii zabývající se prognózou deliria v reálném čase.

Praktický model pro klinické použití

Výše uvedená studie zveřejněná letos v květnu je unikátní i tím, že se autoři rozhodli nevytvářet model umělé inteligence izolovaně a až následně jej testovat v nemocničním prostředí. Naopak od počátku úzce spolupracovali s lékaři a nemocničním personálem. Tato strategie jim umožnila zdokonalit model v reálném čase a zajistit, aby byl efektivní i praktický pro klinické použití.

Vědci použili model AI k analýze údajů více než 32 000 pacientů přijatých do nemocnice Mount Sinai. Jednalo se o data a poznámky lékařů a dalšího ošetřujícího personálu převzaté z elektronických zdravotních záznamů. Model díky zápisům a postřehům zdravotníků identifikoval datové vzorce spojené s vysokým rizikem deliria. Díky poznámkám týkajícím se i jemných změn duševního stavu pacientů pak byla postupně zlepšována přesnost modelu.

Upozorní na rizikového pacienta

Delirium může podle výzkumníků postihnout až jednu třetinu hospitalizovaných pacientů. Po integraci modelu AI do nemocničního systému Mount Sinai vědci zaznamenali dramatické zlepšení detekce deliria, což vedlo k 400% nárůstu identifikovaných případů bez navýšení času stráveného screeningem pacientů.

Model dokáže identifikovat pacienta s vysokým rizikem deliria a poté upozornit speciálně vyškolený tým, aby stav nemocného posoudil a v případě potřeby vytvořil odpovídající léčebný plán.

Identifikovaní pacienti tak mohou začít být léčeni dříve a zároveň dostávat nižší dávky sedativ, což potenciálně sníží vedlejší účinky a zlepší celkovou péči.

Efektivnější práce lékařů

Studie poprvé ukázala, že model přiřazení rizika deliria vytvořený AI může nejen dobře fungovat v laboratorním prostředí, ale také přinést zlepšení v klinické praxi v reálném nemocničním prostředí. Výhodou je především zefektivnění práce lékařů, neboť analýza obrovského množství údajů o pacientech je zcela v kompetenci umělé inteligence.

V nemocnici Mount Sinai má model dobré výsledky. Bude ovšem zapotřebí jeho integrace a následné ověření i v jiných nemocničních systémech, aby bylo možné spolehlivě vyhodnotit jeho výkon a v případě potřeby jej upravit.

(hno)

Zdroje:

1. Friedman J. I., Parchure P., Cheng F. et al. Machine Learning Multimodal Model for Delirium Risk Stratification. JAMA Netw Open 2025 May 1; 8 (5): e258874, doi: 10.1001/jamanetworkopen.2025.8874.

2. Park Ch., Han Ch., Jang S. K. et al. Development and Validation of a Machine Learning Model for Early Prediction of Delirium in Intensive Care Units Using Continuous Physiological Data: Retrospective Study. J Med Internet Res 2025 Apr 2; 27: e59520, doi: 10.2196/59520.

3. Shaw K. M., Shao Y-P., Ghanta M. et al. Daily Automated Prediction of Delirium Risk in Hospitalized Patients: Model Development and Validation. JMIR Med Inform 2025 Apr 18; 13: e60442, doi: 10.2196/60442.