Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Gesundheitswissenschaften# Gesundheitsinformatik

Gesundheitskompetenz mit KI-Hilfe verbessern

KI nutzen, um die Entlassungsanweisungen im Krankenhaus zu erleichtern, damit die Patienten es besser verstehen.

― 5 min Lesedauer


KI vereinfachtKI vereinfachtGesundheitsanweisungenGesundheitsentlassungsinfos.Patienten fürKI verbessert das Verständnis der
Inhaltsverzeichnis

Gesundheitskompetenz bedeutet, wie gut Leute Gesundheitsinformationen finden, verstehen und nutzen können, um Entscheidungen über ihre Gesundheit zu treffen. Viele Erwachsene in den Vereinigten Staaten haben in diesem Bereich Schwierigkeiten. Etwa 90% der Erwachsenen haben Probleme, Gesundheitsinformationen zu verstehen, was zu ernsthaften Gesundheitsproblemen führen kann. Wenn Leute ihre Gesundheitsanweisungen oder Ratschläge nicht verstehen, landen sie vielleicht häufiger im Krankenhaus, was teuer und gefährlich sein kann.

Das Problem mit Gesundheitsinformationen

Oft wird Gesundheitsinformation, die Patienten gegeben wird, wie Anweisungen nach dem Verlassen des Krankenhauses, in komplizierter Sprache verfasst. Das kann es den Patienten schwer machen, wichtige Details wie die Einnahme ihrer Medikamente oder die Planung von Nachsorgeterminen zu verstehen. Wenn Patienten diese Informationen nicht verstehen, könnten sie wieder ins Krankenhaus kommen, was das Gesundheitssystem mehr kostet und das Risiko von Gesundheitsproblemen erhöht.

Eine Studie hat gezeigt, dass Patienten weniger wahrscheinlich innerhalb von 30 Tagen zurück ins Krankenhaus müssen, wenn Entlassungszusammenfassungen klarer und einfacher geschrieben sind. Das zeigt, dass wir klarere Gesundheitskommunikation brauchen.

Die Ziele unserer Studie

Diese Studie will verbessern, wie die Entlassungsanweisungen im Krankenhaus geschrieben sind. Wir möchten KI nutzen, um diese Anweisungen einfacher lesbar zu machen. Während es KI-Tools gibt, die helfen, die Versorgung zu koordinieren, konzentrieren sich nur wenige darauf, Patientenanweisungen für ihren Krankenhausbesuch zu vereinfachen.

Das Ziel ist zu sehen, ob ein KI-System lernen kann, wie man Krankenhausentlassungsanweisungen klarer und verständlicher macht.

So wurde die Studie durchgeführt

Zuerst haben wir die Erlaubnis bekommen, die Studie durchzuführen. Wir haben eine Liste von Personen gesammelt, die zwischen 2016 und 2021 wegen Herzinsuffizienz im Krankenhaus behandelt wurden. Herzinsuffizienz führt oft zu Wiedereinweisungen, also war das ein gutes Themenfeld. Wir haben manuell 423 Sätze von Entlassungsanweisungen aus elektronischen Aufzeichnungen gesammelt.

Um diese Anweisungen zu analysieren, haben wir Aufzählungen in vollständige Sätze umgewandelt. Diese Änderung machte es einfacher für unsere Lesbarkeitstests, die Texte richtig zu bewerten. Dann haben wir gemessen, wie schwer die Anweisungen zu lesen waren, mit zwei verschiedenen Lesbarkeitstests.

Als nächstes haben medizinische Fachkräfte die Anweisungen umgeschrieben, um sie einfacher zu machen. Sie haben sich darauf konzentriert, lange Sätze zu kürzen und komplexe Wörter durch Alltagsprache zu ersetzen. Dieser Prozess führte zu zwei Sätzen von Anweisungen – den originalen und den vereinfachten Versionen.

Von den 423 Anweisungen haben wir 343 verwendet, um unser KI-System zu trainieren. Die Aufgabe der KI war es, zu lernen, wie man die Krankenhausentlassungsanweisungen basierend auf dem, was die menschlichen Experten gemacht haben, vereinfacht.

Nachdem die KI trainiert war, haben wir sie mit den verbleibenden 80 Entlassungsanweisungen getestet, die sie vorher nicht gesehen hatte. Wir haben die Ausgaben der KI gemessen, um zu sehen, wie gut sie den Text vereinfacht hat, indem wir die gleichen Lesbarkeitstests verwendet haben.

Ergebnisse der Studie

Die originalen Entlassungsanweisungen hatten ein hohes Lesenniveau, was sie vielen Patienten schwer verständlich machte. Nachdem die menschlichen Vereinfacher an den Texten gearbeitet hatten, fiel das Lesenniveau deutlich. Die KI zeigte die Fähigkeit, die Anweisungen zu vereinfachen, auch wenn das nicht so effektiv war wie die menschlichen Vereinfacher.

Im Testset waren sowohl die menschlich-als auch die KI-vereinfacht Anweisungen leichter zu lesen im Vergleich zu den originalen Anweisungen. Die KI konnte das Lesenniveau senken, was zeigt, dass sie bedeutende Änderungen vorgenommen hat, aber manchmal behielt sie Teile des Textes, die weiter vereinfacht werden könnten.

Die KI machte auch einige Fehler, indem sie Text hinzufügte, der nicht gut zur Bedeutung des ursprünglichen Satzes passte. Wir fanden heraus, dass das System sich verbesserte, als wir ihm mehr Daten zum Lernen gaben, was Hoffnung für zukünftige Arbeiten zeigt.

Warum das wichtig ist

Zu verbessern, wie Gesundheitsinformationen präsentiert werden, hilft Patienten, bessere Entscheidungen über ihre Gesundheit zu treffen. Wenn Patienten ihre Entlassungsanweisungen verstehen, sind sie weniger wahrscheinlich wieder im Krankenhaus, was gut für ihre Gesundheit ist und Geld für das Gesundheitssystem spart. Diese Studie zeigte, dass KI helfen könnte, medizinische Texte einfacher und zugänglicher zu machen.

Bessere Gesundheitskompetenz kann den Leuten helfen, ihre Gesundheit besser zu verwalten. Es kann auch Unterschiede im Gesundheitswesen verringern, da einige Gruppen mehr Schwierigkeiten haben, Gesundheitsinformationen zu verstehen als andere.

Einschränkungen der Studie

Diese Studie hatte einige Einschränkungen. Die Anzahl der analysierten Entlassungsanweisungen war relativ klein, und wir konzentrierten uns speziell auf Herzinsuffizienz. Andere medizinische Bedingungen könnten andere Herausforderungen haben und unterschiedliche Ansätze zur Vereinfachung der Informationen erfordern.

In zukünftigen Studien wird es wichtig sein, vielfältigere Datensätze zu haben, um zu sehen, wie KI in verschiedenen medizinischen Kontexten helfen kann. Wir müssen auch testen, wie gut Patienten tatsächlich die vereinfachten Anweisungen im Vergleich zu den Originalen verstehen.

Zukünftige Richtungen

Das Potenzial von KI, die Kommunikation von Gesundheitsinformationen zu verbessern, ist riesig. Diese Studie zeigt gerade erst den Anfang, wie KI helfen kann, das Verständnis von Patienten für Gesundheitsmaterialien zu verbessern. Weitere Forschungen sollten weiterhin darauf abzielen, klarere Gesundheitsbotschaften für alle Patienten zu schaffen, insbesondere für diejenigen aus Bevölkerungsgruppen, die mit Gesundheitskompetenz zu kämpfen haben.

Krankenhäuser sollten darüber nachdenken, Patienten auf Gesundheitskompetenzlevel zu screenen. Zu identifizieren, wer mehr Unterstützung braucht, kann zu massgeschneiderter Bildung führen, die den Leuten helfen kann, ihre Gesundheitszustände besser zu verwalten.

Indem wir KI nutzen, um Gesundheitsinformationen zu vereinfachen und Kommunikationsstrategien zu entwickeln, die sich auf Gesundheitskompetenz konzentrieren, können wir helfen, die Gesundheitsresultate für viele Menschen zu verbessern. Das ultimative Ziel ist sicherzustellen, dass alle Patienten klare, verständliche Gesundheitsinformationen erhalten, auf die sie reagieren können.

Dieser Ansatz könnte zu gesünderen Individuen führen und potenziell die Gesundheitskosten im Laufe der Zeit senken. Mit weiterem Fokus auf die Vereinfachung der Gesundheitskommunikation können wir auf ein Gesundheitssystem hinarbeiten, das sowohl effektiv als auch für alle zugänglich ist.

Originalquelle

Titel: Using machine learning to improve the readability of hospital discharge instructions for heart failure

Zusammenfassung: BackgroundLow health literacy is associated with poor health outcomes. Hospital discharge instructions are often written at advanced reading levels, limiting patients with low health literacy ability to follow medication instructions or complete other necessary care. Previous research demonstrates that improving the readability of discharge instructions reduces hospital readmissions and decreases healthcare costs. We aimed to use artificial intelligence (AI) to improve the readability of discharge instructions. Methodology/Principal FindingsWe collected a series of discharge instructions for adults hospitalized for heart failure (n=423), which were then manually simplified to a lower reading level to create two parallel sets of discharge instructions. Only 343 sets were then processed via AI-based machine learning to create a trained algorithm. We then tested the algorithm on the remaining 80 discharge instructions. Output was evaluated quantitatively using Simple Measure of Gobbledygook (SMOG) and Flesch-Kincaid readability scores and cross-entropy analysis and qualitatively. Using this test dataset (n=80), the average reading levels were: original discharge instructions (SMOG: 10.5669{+/-}1.2634, Flesch-Kincaid: 8.6038{+/-}1.5509), human-simplified instructions (SMOG: 9.4406{+/-}1.0791, Flesch-Kincaid: 7.2221{+/-}1.3794), and AI-simplified instructions (SMOG: 9.3045{+/-}0.9531, Flesch-Kincaid: 7.0464{+/-}1.1308). AI-simplified instructions were significantly different from original instructions (p

Autoren: Nathan Cannon, A. W. Tuan, D. Foley, N. Gupta, C. Park, K. Chester-Paul, J. Bhasker, C. Pearson, A. Amarnani, Z. High, J. Kraschnewski, R. Shah

Letzte Aktualisierung: 2023-06-20 00:00:00

Sprache: English

Quell-URL: https://www.medrxiv.org/content/10.1101/2023.06.18.23291568

Quell-PDF: https://www.medrxiv.org/content/10.1101/2023.06.18.23291568.full.pdf

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an medrxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel