دور الذكاء الاصطناعي في التمريض ( الجزء الثاني ) بالعربية

 

                                 

مراقبة المرضى: يتم استخدام الذكاء الاصطناعي في التمريض لمراقبة المرضى عن بعد، والذي يربط أجهزة الاستشعار والمعدات بالمرضى. تتمثل المراحل الرئيسية لمراقبة المرضى عن بعد في جمع بيانات المريض ونقلها وتخزينها لتحليلها. وتُستخدم هذه التقنية لإدارة الأمراض المزمنة والكشف عن حالات السقوط واضطرابات الصحة العقلية. وكذلك مراقبة عدم انتظام ضربات القلب وديناميكية الدورة الدموية والعلامات الحيوية وتقديم التوجيه. بالنسبة للمرضى الذين يعانون من أمراض القلب، يمكن لأجهزة الاستشعار القابلة للارتداء تتبع معدل ضربات القلب وتخطيط القلب ومعدل التنفس. وبالنسبة لكبار السن، تعد أجهزة الكشف عن السقوط التي يمكن ارتداؤها والمعتمدة على أجهزة الاستشعار المحيطة ضرورية. وتنصح أنظمة الصحة العقلية المرضى بتناول أدويتهم ومراقبة الالتزام بها، بينما تقوم أنظمة مراقبة مرض السكري بتتبع مستويات الجلوكوز في الدم وتناول الطعام وضغط الدم. وقد تم تطبيق هذه الأنظمة أيضًا على المرضى الذين يعانون من مرض الزهايمر والاضطراب ثنائي القطب. كل هذه الأنظمة يمكنها أن تكتشف حتى التغيرات الطفيفة في حالة المريض، مما يسمح للممرضات بمعالجة المشكلات المحتملة قبل أن تصبح أكثر خطورة.

السجلات الصحية الإلكترونية وتحليلات التنبؤ: يمكن للذكاء الاصطناعي والسجل الصحي الإلكتروني تحسين رعاية المرضى عن طريق تقليل تعقيد البيانات وتمكين الممرضات من اتخاذ قرارات أكثر استنارة لرعاية المرضى. ويمكن للذكاء الاصطناعي تحليل التاريخ الطبي للمرضى، وتاريخ العائلة، والاستعداد الوراثي، مما يمكّن مقدمي الرعاية الصحية من فهم البيانات الطبية بشكل أفضل. كما يمكن لأنظمة الذكاء الاصطناعي مثل ChatGPT تحليل إدخالات النص في السجلات الصحية الإلكترونية لإنتاج ملخصات في الوقت الفعلي لرعاية المرضى. من الناحية الأخرى يمكن للتحليلات التنبؤية تحديد الاتجاهات وعوامل الخطر، مما يسمح للممرضات بتوقع احتياجات المريض وتوفير الرعاية المناسبة.لى سبيل المثال، تم تطبيق الذكاء الاصطناعي بشكل فعال في أمراض القلب لتحسين تقييم المخاطر للمرضى المشتبه في إصابتهم بمرض الشريان التاجي، والتنبؤ ببداية قصور القلب. كما يمكن التنبؤ بالأحداث السلبية مثل العدوى أو تدهور الحالات. وهذا يتيح للممرضات التدخل بشكل استباقي، وتوفير الرعاية في الوقت المناسب ومنع المضاعفات.

دعم القرار السريري: هي أداة غالبًا ما توجد في أنظمة السجلات الصحية الإلكترونية والتي توفر للممرضات معلومات إضافية لمساعدتهن على اتخاذ قرارات مناسبة، وتنبيههن بالتفاعلات الدوائية، واتخاذ قرار بشأن خيارات العلاج، ودعم الممرضات في توفير الرعاية المناسبة للمرضى.

التنبؤ بمخاطر السقوط: قد تتنبأ تقنية الذكاء الاصطناعي بشكل أفضل بمخاطر السقوط وتوفر تنبيهات تلقائية، مما يقلل الحاجة إلى الحسابات اليدوية.

إدارة الأدوية: تتمتع تقنيات الذكاء الاصطناعي والتعلم الآلي بفوائد عديدة لإدارة الأدوية، بدءًا من دعم القرارات السريرية وحتى سلامة الأدوية. يمكن أن يساعد من خلال التحقق من الوصفات الطبية، والتحقق من التفاعلات الدوائية المحتملة، واعطاء الدواء أتوماتيكيا. وهذا يقلل من الأخطاء ويحسن سلامة المرضى. ويتم استخدام الذكاء الاصطناعي أيضًا لإنشاء أدوات جديدة تدعم المرضى في اتباع أنظمة العلاج الخاصة بهم من أجل تحسين صحتهم بشكل عام. فقد أثبتت تطبيقات الهواتف الذكية التي تعمل بالذكاء الاصطناعي نجاحها في تتبع وتشجيع الالتزام بالأدوية. يمكن لهذه التطبيقات تذكير المرضى بتناول أدويتهم، وتقديم تعليمات حول كيفية القيام بذلك، والمساعدة في اكتشاف أي حالات عدم الالتزام. بالإضافة إلى ذلك، تم تمكين المرضى ودعمهم في تناول أدويتهم باستخدام طرق التذكير مثل التنبيهات عبر الرسائل النصية القصيرة. فيحصل المرضى في نهاية المطاف على نتائج سريرية أفضل عندما يكون هناك تحسن في الالتزام بالدواء. وبما أن بعض المستشفيات تستخدم بالفعل الروبوتات لتوزيع الأدوية، فقد يكون الذكاء الاصطناعي أيضًا قادرًا على التعامل مع إعطاء الأدوية.

مشاركة المريض: من المهم التخطيط لتكنولوجيا صحية جديدة مع أخذ مشاركتهم في الاعتبار. غالبًا ما يستخدم المرضى صفحات الويب أو الشبكات الاجتماعية أو تطبيقات الهاتف المحمول لإدارة مرضهم والتواصل مع مقدمي الرعاية الصحية. حيث يتم إنجاز تثقيف المرضى وتذكير نظام العلاج وجمع البيانات الصحية والمساعدة من خلال منصات مشاركة المرضى مثل برامج الدردشة وتطبيقات الهواتف الذكية. يتم أيضًا استخدام المساعدين الافتراضيين وروبوتات الدردشة المدعمة بالذكاء الاصطناعي بشكل متكرر للتفاعل مع المرضى وتعزيز تجربتهم الشاملة في تلقي الرعاية.

التشخيص: يستخدم برنامج واطسن للصحة التابع لشركة أي بي ام البيانات الطبية من المجلات ودراسات الحالة وقاعدة بيانات للأعراض والعلاجات لمساعدة الممرضات في توفير الرعاية للمرضى.

العلاج: الممرضون قادرون على استخدام أنظمة الذكاء الاصطناعي للحصول على المعلومات الضرورية لإنشاء خطة رعاية شاملة لمرضاهم.

رعاية نهاية الحياة: تتضمن رعاية نهاية الحياة روبوتات مجهزة بالذكاء الاصطناعي تتعامل مع كبار السن لمعالجة مشاعر الوحدة والانفصال الاجتماعي. يمكن لهذه الروبوتات المساعدة في المهام والتواصل وتقديم الدعم النفسي.

اتباع الحياة الصحية: تعمل التطبيقات الصحية على تعزيز أسلوب حياة أكثر صحة ومساعدة الأفراد على إدارة ظروفهم الصحية بشكل أفضل.

تثقيف المرضى: تتمتع روبوتات الدردشة المدعومة بالذكاء الاصطناعي بالقدرة على التفاعل مع المرضى، وتزويدهم بالمعلومات المتعلقة بحالتهم الصحية، والأدوية، والرعاية بعد العلاج في المستشفى. يمكن أيضًا للممرضات استخدام روبوتات الدردشة هذه للرد على الاستفسارات ومراقبة صحة المرضى عن بعد.

تكنولوجيا الروبوتات (الانسان الألي): بفضل قدرتها على تحسين رعاية المرضى، تُحدث الروبوتات ثورة في صناعة الرعاية الصحية. حيث تستخدم المستشفيات ومؤسسات المعيشة المدعومة روبوتات الحضور عن بعد، والمساعدين الصوتيين، والروبوتات المستقلة، والروبوتات الحساسة عاطفيًا كأدوات لتقديم الرعاية. لا تستطيع هذه الروبوتات مساعدة الممرضات في جمع بيانات المرضى والرعاية المنزلية فحسب، بل يمكنها أيضًا خفض معدلات الانتحار وأداء مهام مثل توصيل الوجبات والإمدادات. يمكن أيضًا مساعدة إجراءات التمريض الأساسية مثل الأوراق الخاصة بالمريض، والعناية بالجروح، وإدخال وإزالة الكانيولا، ونقل المرضى، والتعليم من خلال الذكاء الاصطناعي ومساعدي الروبوتات. يمكن للروبوتات أيضًا عمل بعض الوظائف والمساعدة في الرعاية التمريضية في بيئات المستشفيات الخطرة. ويشمل ذلك المساعدة في إزالة القسطرة بأمان، والتعامل مع التهابات المسالك البولية، وتحديد المرضى المعرضين لخطر حدوث مضاعفات بعد الجراحة.

تخصيص الموارد: يلعب استخدام التقنيات الجديدة دورًا حيويًا في مساعدة قطاع الرعاية الصحية على تقليل النفقات من خلال التخصيص الأمثل للموارد وإدارة التكاليف. حيث تعاني إعدادات الرعاية الصحية من مشاكل تتعلق بتعيين الممرضات وتخصيص الموارد. من أجل تحسين مستويات التوظيف، يمكن للذكاء الاصطناعي تحليل بيانات المرضى، وبيانات التعداد السكاني للمستشفيات، وجداول الممرضات. وهذا يضمن وجود عدد كافٍ من الممرضات المؤهلات لتقديم رعاية من الدرجة الأولى. أيضا توفر هذه التقنيات إمكانية تبسيط إدارة المرشحين وتقليل وقت التوظيف وخفض تكاليف التوظيف. كما توفر التقنيات الرقمية الكثير من البيانات وتعمل على أتمتة الوظائف، مما يبسط عملية التوظيف. تعمل أنظمة الذكاء الاصطناعي أيضًا على تبسيط تخطيط الرواتب والمزايا، مما يسمح بالتركيز على المبادرات الإستراتيجية. على الرغم من التكاليف الأولية المرتفعة، تؤدي تحسينات الرقمنة والذكاء الاصطناعي إلى تحسين النتائج الاقتصادية للمؤسسات من خلال تعزيز الإنتاجية والاحتفاظ والرضا وكفاءة المهام.

الإدارة وإدارة الوقت: تساعد تقنية الذكاء الاصطناعي في جدولة المواعيد وإدارة الوصفات الطبية وتنظيم أوراق الخروج مما يسمح للممرضات بزيادة التركيز على رعاية المرضى.

الكشف عن السرطان: من المحتمل أن يستخدم التعلم الآلي الخوارزميات لإنشاء نموذج للكشف عن السرطان باستخدام المخططات البيانية للمرضى  على شبكة الإنترنت، الأمر الذي من شأنه أن يساعد الممرضات في الوصول إلى حالة السرطان وخفض معدلات الوفيات من خلال الكشف المبكر.

فرز المرضى: المثال الرئيسي هو برنامج أنظمة فرز الطوارئ، الذي يساعد الممرضات على تحديد أولويات المرضى بدقة في أقسام الطوارئ.

التدخلات في حالات الطوارئ: يتمتع الذكاء الاصطناعي بالقدرة على استخدام خوارزمية يمكنها تحليل البيانات في الوقت الفعلي من السجلات الصحية الإلكترونية لتحديد الحالات الصحية للمرضى وتحديد حالات الطوارئ. اكتشاف حالات الطوارئ بشكل أسرع يمكن أن يؤدي إلى نتائج أفضل للمرضى.

تحسين الرعاية الصحية: يتمتع الذكاء الاصطناعي بالقدرة على تعزيز وتوسيع نطاق وصول المرضى إلى رعاية صحية عالية الجودة من خلال العلاجات والمراقبة الشخصية، مما يؤدي إلى تقليل الأخطاء وتقليل التكاليف. بالإضافة إلى ذلك، قام الذكاء الاصطناعي بالفعل بتبسيط الرعاية الصحية من خلال تقليل المهام التي تستغرق وقتًا طويلاً والتي لا تحتاج بالضرورة إلى اهتمام الممرضة، مما يسمح للممرضات بالتركيز بشكل أكبر على الرعاية المباشرة للمرضى.

الإعداد: يمكن للذكاء الاصطناعي إنشاء عمليات محاكاة واقعية لمساعدة الممرضات على الاستعداد لمختلف المواقف.

دور الذكاء الاصطناعي في مستقبل التمريض: في المستقبل قد تساعد الروبوتات وممرضات الفرز المحوسبة في مهام مثل أخذ عينات الدم، وجدولة الشيفتات، ومراقبة حالات المرضى. بالإضافة إلى ذلك، قد تكون التكنولوجيا القابلة للارتداء مثل القمصان الذكية قادرة على اكتشاف العلامات المبكرة للأمراض. وتراقب أجهزة الاستشعار التغيرات في كيفية استخدام الجسم للأكسجين. ثم يتم استخدام هذه المعلومات للتنبؤ بتطور مرض السكري من النوع الثاني وأمراض القلب أو الرئة. كما يمكن استخدام التحليلات المتقدمة، المعروفة باسم التعلم الآلي، للتنبؤ باحتمالية إصابة المريض بسكتة دماغية أو مرض الشريان التاجي أو الفشل الكلوي. ومن خلال الاستفادة من التعلم الآلي والتحليلات المتقدمة، يمكن للممرضات إنشاء خطط رعاية صحية مخصصة للمرضى الأفراد بناءً على عوامل مختلفة مثل التاريخ الطبي والخصائص الديموغرافية.

المصادر

Abd El-Monem, A.M., Rashed, S.E., Hasanin, A.Gh. (2023). Artificial Intelligence technology and its

        relation to staff nurses' professional identity and problem solving abilities. International Egyptian

       Journal of Nursing Sciences and Research, 3(2). 

Ajani, R., Chatterjee, A., Talwai, A., & Zhang, J. (2018). How a pharma company applied machine

       learning to patient data. Harvard Business Review. Retrieved from hbr.org/2018/10/how-a-pharma-

       company-applied-machine-learning-to-patient-data

Babel, A., Taneja, R., Mondello Malvestiti, F., Monaco, A., & Donde, S. (2021). Artificial intelligence

      solutions to increase medication adherence in patients with non-communicable diseases. Front Digit

      Health, 3,669869. https://doi.org/10.3389/fdgth.2021.669869

Begum, A. (2023). The impact of artificial intelligence on nursing: Revolutionizing Patient Care.

       Retrieved from https://www.nurses.co.uk/blog/the-impact-of-artificial-intelligence-on-nursing-

       revolutionizing-patient-care/

Campbell, K., Louie, P., Levine, B., & Gililland, J. (2020). Using patient engagement platforms in the

       postoperative management of patients. Curr Rev Musculoskelet Med, 13(4), 479-484.
       https://doi.org/10.1007/s12178-020-09638-8

Cary Jr, M.P., Zhuang, F., Draelos, R.L., Pan, W., Amarasekara, S., Douthit,B.J. , Kang, Y., & Colón-

       Emeric, C.S.  (2021). Machine learning algorithms to predict mortality and

      allocate palliative care for older patients with hip fracture. J Am Med Dir Assoc,22(2), 291-296.

      doi:10.1016/j.jamda.2020.09.025

Centers for Medicare & Medicaid Services. (2017). National health expenditures 2017 highlights.

        Retrieved from cms.gov/research-statistics-data-and-systems/statistics-trends-and-

        reports/nationalhealthexpenddata/downloads/highlights.pdf.

Chan, K.S.,& Zary, N. (2019). Applications and challenges of implementing artificial intelligence in

       medical education: integrative review. JMIR Med Educ, 5(1):e13930. https://doi.org/10.2196/13930

Clancy, T.R. (2020). Artificial intelligence and nursing: the future is now. The Journal of Nursing

       Administration, 50(3), 125–127.

Clearstep Media. (2023). Artificial Intelligence in nursing: the future of nursing care. Retrieved from

         https://www.clearstep.health/blog/artificial-intelligence-in-nursing

Damiani, G., Altamura, G., Zedda, M., et al. (2023). Potentiality of algorithms and artificial intelligence

       adoption to improve medication management in primary care: a systematic review. BMJ Open,

       13(3):e065301. https://doi.org/10.1136/bmjopen-2022-065301

Douthit, B.J., Hu, X., Richesson, R.L., Kim, H., & Cary, M.P. (2020). How artificial intelligence is

        transforming the future of nursing. American Nurse J,15(9),100-102.

Douthit, B.J., Shaw, R.J., Lytle, K.S., Richesson, R.L., & Cary, M.P. (2022). Artificial intelligence in

      nursing. American Nurse Journal, 19 (5). https://www.myamericannurse.com/ai-artificial-

      intelligence-in-nursing/

Dubey, A., & Tiwari, A. (2023). Artificial intelligence and remote patient monitoring in US healthcare

      market: a literature review. J Mark Access Health Policy, 11(1):2205618.

      https://doi.org/10.1080/20016689.2023.2205618

Eggerth, A., Hayn, D., & Schreier, G. (2020). Medication management needs information and

      communications technology-based approaches, including telehealth and artificial intelligence. Br J

      Clin Pharmacol, 86(10), 2000-2007. https://doi.org/10.1111/bcp.14045

El-Rashidy, N., El-Sappagh, S., Islam, S.M.R., El-Bakry, H., & Abdelrazek, S. (2021). Mobile health in

      remote patient monitoring for chronic diseases: principles, trends, and challenges. Diagnostics,

      11(4),607. https://doi.org/10.3390/diagnostics11040607

Gerich, H.V., Moen, H., Block, L.J., Chu, H.Ch., DeForest, H., Hobensack, M., Michalowski, M.,

      Mitchell, J , Nibber, R., Olalia, M.A., Pruinelli, L., Ronquillo, Ch.E., Topaz, M., & Peltonen, L.

      (2022). Artificial Intelligence-based technologies in nursing: a scoping literature review of the

       evidence. International Journal of Nursing Studies, 127,104153. 

Ghane, G., Ghiyasvandian, Sh., Chekeni, A.M., & Karimi, R. (2024). Revolutionizing nursing

       education and care: the role of artificial intelligence in nursing. Nurse Author Editor, 34(1).

        https://doi.org/10.1111/nae2.12057

Hwang, G.J., Chang, P.Y., Tseng, W.Y., Chou, Ch., Wu, Ch., & Tu, Y. (2022). Research trends in

         artificial intelligence-associated nursing activities based on a review of academic studies

          published from 2001 to 2020. CIN: Computers, Informatics, Nursing, 40 (12), 814–824. doi:

          10.1097/CIN.0000000000000897.

Jung, S. (2023). Challenges for future directions for artificial intelligence integrated nursing simulation

   education. Korean J Women Health Nurs, 29(3), 239-242. https://doi.org/10.4069/kjwhn.2023.09.06.1

Knevel, R., & Liao, K.P. (2023). From real-world electronic health record data to real-world results

      using artificial intelligence. Ann Rheum Dis, 82(3), 306-311. https://doi.org/10.1136/ard-2022-

      222626

Li, P., Bastone, A., Mohamad, T., & Schiavone, F. (2023). How does artificial intelligence impact

       human resources performance. Evidence from a healthcare institution in the United Arab Emirates.

       J Innovat Knowl, 8(2),100340. https://doi.org/10.1016/j.jik.2023.100340

Li, Z., Moran, P., Dong, Q., Shaw, R. J., & Hauser, K. (2017). Development of a tele-nursing mobile

      manipulator for remote care-giving in quarantine areas. Retrieved from

       https://doi.org/10.1109/ICRA.2017.7989411

Martinez-Ortigosa, A., Martinez-Granados, A., Gil-Hernández, E., Rodriguez-Arrastia, M., Ropero-

        Padilla, C., & Roman, P. (2023). Applications of artificial intelligence in nursing care: a systematic

        review. Journal of Nursing Management, 2023, 12. https://doi.org/10.1155/2023/3219127  

Mir, M.M., Mir, G.M., Raina. N.T, Mir, S.M., Mir, S.M., Miskeen, E., Alharthi, M.H., & Alamri,

      M.M.S. (2023). Application of artificial intelligence in medical education: current scenario and

      future perspectives. J Adv Med Educ Prof, 11(3),133-140.

Motulsky, A., Nikiema, J., & Bosson Rieutort, D. (2021). Artificial intelligence and medication

       management. Springer International Publishing, pp 91-101.

Nancy, R. (2019). How artificial intelligence is changing nursing. Nursing Management (Springhouse)

          50(9), 30-39. DOI: 10.1097/01.NUMA.0000578988.56622.21

N'gbesso, Y. (2020). Integration of artificial intelligence in electronic health records: impacts and

       challenges. Computing & Sustainable Societies.

O’Connor, S, Devane, D., & Rose, L. (2023). Realising the benefits of artificial intelligence for nursing

      practice. Retrieved from https://www.nursingtimes.net/clinical-

    archive/healthcare-it/realising-the-benefits-of-artificial-intelligence-for-nursing-practice-18-09-2023/

O’Connor, S., Yan, Y., Thilo, F.J.S., Felzmann, H., Dowding, D., & Lee, J.J. (2023). Artificial

        intelligence in nursing and midwifery: a systematic review. Journal of Clinical Nursing, 32(13–

        14), 2951–2968.

Pamela, Z.Q.,  Ling, L.Y.J., Chew, H.S.J., & Lau, Y. (2022). The role of artificial intelligence in

       enhancing clinical nursing care: a scoping review. J Nurs Manag, 30(8), 3654-3674.

Rony,M.K.K., Kayesh, I., Bala,Sh.D., Akter, F, Parvin, M.R. (2024). Artificial intelligence in future

       nursing care: exploring perspectives of nursing professionals - A descriptive qualitative

       study. Science Direct, 10(4), e25718.

Seibert, K., Domhoff, D., Bruch, D., Schulte-Althoff, M., Fürstenau, D., Biessmann, F., & Wolf-

         Ostermann,K.  (2021). Application scenarios for artificial intelligence in nursing care: rapid

          review. Journal of Medical Internet Research, 23(11), e26522. doi: 10.2196/26522.

Stokes, F., & Palmer, A. (2020). Artificial intelligence and robotics in nursing: ethics of caring as a

       guide to dividing tasks between AI and humans. An International Journal for Healthcare

       Professionals, 21(4).

Sun, L., Yin, C., Xu, Q., & Zhao, W. (2023). Artificial intelligence for healthcare and medical

         education: a systematic review. Am J Transl Res,15(7), 4820-4828.

Triberti, S., & Barello, S. (2016). The quest for engaging AmI: patient engagement and experience

     design tools to promote effective assisted living. J Biomed Inf, 63, 150-156.

      https://doi.org/10.1016/j.jbi.2016.08.010

University of North Carolina Wilmington. (2024).  Artificial intelligence & nursing. Retrieved from

          https://onlinedegree.uncw.edu/programs/healthcare/rn-to-bsn/artificial-intelligence-nursing/

Veldhuis, L.I., Woittiez, N.J.C., Nanayakkara, P.W.B., & Ludikhuize, J. (2022). Artificial intelligence

       for the prediction of in-hospital clinical deterioration: a systematic review. Critical Care

       Explorations, 4,(9),e0744. DOI: 10.1097/CCE.0000000000000744

Woo, M., Alhanti, B., Lusk, S., Dunston, f., Blackwelder, S., Lytle,K.S., Goldstein, B.A.,  & Bedoya,

        A. (2020). Evaluation of ML-based clinical decision support tool to

        replace an existing tool in an academic health system: Lessons learned. J Pers Med, 10(3),104.

        doi:10.3390/jpm10030104

Yang, Q., Hatch, D., Crowley, M.J., Lewinski,A.A., Vaughn, J., Steinberg, D., Vorderstrasse, A.,

        JiangM., & Shaw,R.J. (2020). Digital phenotyping self-monitoring behaviors for

        individuals with type 2 diabetes mellitus: Observational study using latent class growth analysis.

        JMIR Mhealth Uhealth, 8(6),e17730. doi:10.2196/17730

Zafari, M., Esmaeily, A., & Sadeghi-Niaraki, A. (2022). An overview of the applications of artificial 

         intelligence and virtual reality in education. Educ Stud, 1(11), 36.