به گزارش ایسنا، نارسایی احتقانی قلب یا CHF یکی از شایعترین بیماریهای مزمن در جهان به شمار میرود که به دلیل ماهیت پیشرونده و نیاز مکرر به مراقبتهای پزشکی، تأثیر عمیقی بر زندگی بیماران و نظام سلامت دارد. این بیماری زمانی رخ میدهد که قلب توانایی پمپاژ مؤثر خون را از دست میدهد و در نتیجه، اندامهای مختلف بدن با کمبود اکسیژن و مواد مغذی مواجه میشوند. پیامد این وضعیت، بروز علائمی مانند تنگی نفس، خستگی شدید و تجمع مایعات در بدن است که اغلب به بستری شدن بیمار در بیمارستان منجر میشود. از آنجا که بیماران مبتلا به نارسایی قلبی معمولاً به بستریهای مکرر و گاه طولانیمدت نیاز دارند، این بیماری به یکی از عوامل اصلی اشغال تختهای بیمارستانی تبدیل شده و فشار قابل توجهی بر منابع انسانی و تجهیزات درمانی وارد میکند.
اهمیت پرداختن به این موضوع زمانی بیشتر میشود که بدانیم با افزایش سن جمعیت، شیوع نارسایی قلبی نیز رو به افزایش است، بهویژه در کشورهایی مانند ایران که روند سالمندی جمعیت با سرعت بیشتری در حال وقوع است. طول مدت بستری بیماران نهتنها بر هزینههای درمانی تأثیر مستقیم دارد، بلکه بر کیفیت مراقبت، رضایت بیماران و حتی خطر بروز عوارض بعدی نیز اثرگذار است. اگر بتوان از همان ابتدای پذیرش بیمار، برآوردی واقعبینانه از مدت زمان بستری او داشت، برنامهریزی برای درمان، ترخیص و مراقبتهای بعدی دقیقتر خواهد شد. به همین دلیل، پیشبینی طول مدت بستری بهعنوان یکی از ابزارهای مهم مدیریتی در بیمارستانها مطرح است و میتواند به استفاده بهینهتر از منابع محدود نظام سلامت کمک کند.
گروهی از محققان به سرپرستی هادی لطفنژاد افشار از گروه فناوری اطلاعات سلامت دانشکده پیراپزشکی دانشگاه علوم پزشکی ارومیه، به همراه پنج نفر از همکاران همدانشگاهی خود، در همین راستا، پژوهشی را انجام دادهاند. این پژوهش با تمرکز بر بیماران مبتلا به نارسایی قلبی و با هدف پیشبینی مدت زمان بستری آنها انجام شده است. محققان در این مطالعه تلاش کردهاند با بهرهگیری از روشهای نوین تحلیل داده، الگویی کاربردی برای کمک به تصمیمگیریهای بالینی و مدیریتی ارائه دهند.
در این پژوهش، دادههای مربوط به ۳۴۲۱ بیمار بستریشده در دو بیمارستان سیدالشهدا و آیتالله طالقانی ارومیه مورد تحلیل قرار گرفت. آن ها چندین روش مبتنی بر یادگیری ماشین، که شاخهای از دادهکاوی محسوب میشود، را برای طبقهبندی بیماران و پیشبینی مدت بستری آنها به کار بردند. همچنین برای افزایش دقت نتایج، از روشهایی برای متعادلسازی دادهها و اعتبارسنجی مدلها استفاده شد تا اطمینان حاصل شود که نتایج به دست آمده قابل اعتماد هستند.
یافتههای این مطالعه نشان دادند که در میان روشهای مختلف بررسیشده، مدلی که بر پایه الگوریتم «جنگل تصادفی» طراحی شده بود، عملکرد بهتری نسبت به سایر مدلها داشت. این مدل توانست با دقت بالا بیماران را در دو گروه بستری کوتاهمدت و بلندمدت طبقهبندی کند. بررسیها همچنین نشان داد که برخی ویژگیهای بالینی بیماران نقش مهمی در افزایش یا کاهش مدت بستری دارند و میتوانند بهعنوان نشانههای هشداردهنده در زمان پذیرش بیمار مورد توجه قرار گیرند.
در جمعبندی نتایج، محققان به این نتیجه رسیدند که استفاده از چنین مدلی میتواند بهعنوان یک ابزار پشتیبان تصمیمگیری در بیمارستانها مورد استفاده قرار گیرد. این ابزار میتواند به پزشکان و مدیران کمک کند تا از همان روزهای نخست بستری، برنامهریزی دقیقتری برای مراقبت از بیماران انجام دهند و خطر بستریهای طولانی یا مجدد را کاهش دهند. به بیان ساده، این مدل میتواند پلی میان دادههای خام بیمارستانی و تصمیمهای عملی در بالین بیمار ایجاد کند.
اهمیت این یافتهها که در فصلنامه «مدیریت سلامت» وابسته به دانشگاه علوم پزشکی ایران منتشر شدهاند، زمانی روشنتر میشود که به عوامل مؤثر شناساییشده در این پژوهش توجه کنیم. متغیرهایی مانند بالا بودن سطح کراتینین خون، که نشاندهنده اختلال در عملکرد کلیه است، پایین بودن هموگلوبین، جنسیت و وجود بیماریهای زمینهای، از جمله عواملی بودند که با افزایش احتمال بستری طولانیتر ارتباط داشتند. برای مثال، اختلال عملکرد کلیه میتواند روند درمان نارسایی قلبی را پیچیدهتر کرده و نیاز به مراقبتهای دقیقتر و طولانیتر را افزایش دهد. شناسایی این عوامل در ابتدای پذیرش میتواند به تیم درمان کمک کند تا بیماران پرخطر را زودتر تشخیص دهند.
نکته قابل توجه دیگر در این مطالعه، استفاده همزمان از روشهای پیشبینی و استخراج الگوهای مربوطه بود. این رویکرد به محققان امکان داد تا علاوه بر پیشبینی مدت بستری، الگوهای قابل فهمتری از ترکیب ویژگیهای بیماران به دست آورند. چنین الگوهایی میتوانند در طراحی برنامههای مراقبتی هدفمند، تخصیص بهتر منابع و حتی کاهش هزینههای درمانی مؤثر باشند.
در مجموع، این پژوهش نشان میدهد که بهکارگیری هوشمندانه دادههای موجود در بیمارستانها میتواند نقش مهمی در بهبود مدیریت بیماران مبتلا به نارسایی قلبی ایفا کند.
انتهای پیام
