研究人員使用 NVIDIA GPU 和 AI 更早、更準確地檢測出重癥監護室患者的譫妄。該研究有望給重癥護理帶來突破。
檢測譫妄并不容易，但卻可以帶來巨大的回報，比如加快對患者的基本護理，使其更快、更穩定地恢復。
檢測能力的提升還可以減少病人對長期專業護理的需求，提高病人的生活質量并減少他們的主要經濟負擔。根據美國國立衛生研究院的數據，譫妄患者每年的護理費用高達 64,000 美元。
在上個月發表于《自然》雜志上的一篇論文中，研究人員描述了他們如何利用一個使用 NVIDIA GPU 加速的名為 Vision Transformer 的深度學習模型，并結合一種快速反應腦電圖設備，或 EEG，來檢測重癥老年患者的譫妄癥狀。
這篇名為 《Supervised deep learning with vision transformer predicts delirium using limited lead EEG》的論文由南卡羅來納大學的 Malissa Mulkey、普渡大學的 Huyunting Huang、東卡羅來納大學的 Thomas Albanese和 Sunghan Kim，以及普渡大學的 Baijian Yang 合著。
他們的創新方法達到了 97% 的測試準確率，有望在預測失智癥方面取得突破。通過利用 AI 和腦電圖，研究人員能夠客觀地評估預防和治療方法，從而提供更好的護理。
能夠取得這一出色結果的原因之一是 NVIDIA GPU 所帶來的加速性能。與使用 CPU 相比，研究人員完成任務的時間縮短了一半。
譫妄影響多達 80% 的危重病患者。但傳統的臨床檢測方法只能識別出不到 40% 的病例，成為了病人護理方面的一個重大缺口。目前，篩查重癥監護室的患者需要進行主觀的床邊評估。
手持式腦電圖設備的引入可以使篩查變得更加準確和經濟，但問題在于缺乏高水平的技術人員和神經學家。
然而，通過使用 AI，神經學專家無需解讀研究結果，并且可以在癥狀發作前大約兩天檢測出與譫妄相關的變化，此時患者更容易接受治療。通過 AI，只需要極少的培訓就能使用腦電圖。
研究人員將最初為自然語言處理創建并由 NVIDIA GPU 加速的 AI 模型——ViT 應用于腦電圖數據，提供了一種全新的數據解讀方法。
另一個顯著的研究結果是使用手持式快速反應腦電圖設備，這樣就不需要大型腦電圖機器或專業技術人員。
這種實用工具結合先進的 AI 模型后就可以解讀所采集的數據，簡化重癥監護室的譫妄篩查工作。
該研究提出了一種檢測譫妄的好方法，可以縮短住院時間、提高出院率、降低死亡率，并減輕譫妄帶來的經濟負擔。
通過將 NVIDIA GPU 的強大功能與創新的深度學習模型和實用的醫療設備相結合，這項研究充分展現了技術在改善患者護理方面的巨大潛力。
隨著 AI 的發展，醫務人員越來越依靠它來預測失智癥等病癥，并進行早期干預，這將徹底改變未來的重癥監護。
