Modelowanie zadań pielęgniarskich w symulowanych scenariuszach ratunkowych: wnioski dla szkolenia klinicznego i praktyki

Dlaczego te badania mają znaczenie dla opieki nad pacjentem

Gdy ktoś na oddziale ratunkowym nagle zaczyna się pogarszać, to często pielęgniarki są pierwsze, które zauważają to i podejmują działania. Ich szybkie decyzje — co sprawdzić, kogo wezwać, jakie leczenie rozpocząć — mogą decydować o powrocie do zdrowia lub o ciężkich powikłaniach. Jednak wiele z tych wyborów podejmowanych jest tak szybko i intuicyjnie, że nawet doświadczeni specjaliści mają trudność z opisaniem, jak to robią. Badanie to bada, czy współczesna sztuczna inteligencja potrafi poznać wzorce stojące za działaniami ekspertów pielęgniarskich w realistycznych symulacjach stanów nagłych, z zamiarem, by w przyszłości wspierać mniej doświadczone pielęgniarki w sytuacjach o dużym ryzyku.

Jak ekspertki myślą w sytuacjach kryzysowych

Doświadczone pielęgniarki opiekujące się ciężko chorymi pacjentami robią znacznie więcej niż tylko śledzą listy kontrolne krok po kroku. Nieustannie łączą odczyty z monitorów, wpisy w dokumentacji, to, co widzą i wyczuwają podczas badania fizykalnego, oraz informacje, które pacjent przekazuje o swoim samopoczuciu. Duża część tego procesu decyzyjnego jest szybka, intuicyjna i trudna do werbalnego opisania. Pielęgniarki początkujące natomiast często kurczowo trzymają się pisemnych protokołów i koncentrują się głównie na liczbach z monitorów, co może ograniczać ich zdolność adaptacji, gdy stan pacjenta zmienia się w nieoczekiwany sposób. Autorzy badania wysunęli tezę, że jeśli uda się przechwycić sekwencję widocznych działań wykonywanych przez pielęgniarki — takich jak sprawdzanie parametrów życiowych, rozmowa z pacjentem czy wezwanie lekarza — można będzie modelować ten proces decyzyjny na tyle dokładnie, by wspierać szkolenie i praktykę.

Symulowane stany nagłe w bezpiecznym otoczeniu

Aby badać te wzorce bez narażania prawdziwych pacjentów, zespół użył szczegółowych symulacji z realistycznymi manekinami. Jedenaście doświadczonych pielęgniarek i trzynaście studentek trzeciego roku pielęgniarstwa uczestniczyło w scenariuszach nagłych zdarzeń obejmujących pacjenta, który nagle rozwinął udar niedokrwienny, a w przypadku ekspertów także dodatkowy scenariusz z pacjentami z ciężkimi powikłaniami Covid‑19. Każde działanie pielęgniarek — łącznie 19 różnych zachowań — zostało zarejestrowane na wideo, oznaczone znacznikami czasowymi i następnie skrupulatnie zakodowane przez ekspertów klinicznych i specjalistów ds. czynników ludzkich. Te liczne, szczegółowe działania zostały potem pogrupowane w osiem szerszych kategorii, takich jak sprawdzanie parametrów życiowych, wykonywanie ukierunkowanych badań fizykalnych, rozmowa z pacjentem, konsultacja dokumentacji, podawanie leków, wezwanie lekarza, zlecanie dodatkowych badań lub uruchomienie zespołu szybkiego reagowania.

Co dane ujawniły o wzorcach postępowania pielęgniarek

W 33 epizodach symulacyjnych pielęgniarki i studenci wykonali 1 024 działania, ze średnią około 31 działań na scenariusz. Najczęściej występującym zachowaniem było zdecydowanie sprawdzanie parametrów życiowych, następnie ukierunkowane badania fizykalne i rozmowa z pacjentem. Mapa przejść pokazała, że niezależnie od tego, co pielęgniarka właśnie zrobiła, jej następny ruch najczęściej polegał na sprawdzeniu monitora — co sugeruje, że regularnie używały liczb, by potwierdzić to, co widziały i słyszały. Zauważono także istotne różnice między ekspertkami a studentkami: ekspertki równoważyły czas między monitorami a badaniami bezpośrednimi i częściej zlecały dodatkowe badania oraz podawały leki, podczas gdy studentki opierały się bardziej na samym monitorze. Te różnice tworzyły zróżnicowany zestaw wzorców zachowań, który mógłby pomóc modelowi nauczyć się bardziej ogólnych zasad opieki nad pacjentem.

Nauczanie modelu przewidywania kolejnego kroku pielęgniarskiego

Kluczowe pytanie brzmiało, czy nowoczesne podejście AI znane jako transformator oparty na mechanizmie uwagi potrafi nauczyć się przewidywać, jakie działanie pielęgniarka wykona następnie, opierając się jedynie na sekwencji poprzednich działań. Zespół wytrenował ten model na zakodowanych danych z symulacji i porównał go z dwoma bardziej tradycyjnymi metodami uczenia sekwencji: prostą siecią rekurencyjną oraz siecią typu long short‑term memory (LSTM). Wszystkie trzy modele radziły sobie lepiej niż proste zgadywanie najczęściej występującego następnego działania. Model oparty na mechanizmie uwagi osiągnął około 73 procent dokładności ogólnie i zwykle zapewniał najbardziej zrównoważone wyniki w różnych typach działań, szczególnie w odtwarzaniu rzadziej występujących, lecz istotnych zachowań. Model LSTM osiągnął nieco wyższą precyzję — co oznacza, że gdy przewidywał konkretne działanie, było ono nieco częściej poprawne — ale jego wydajność bardziej się różniła w zależności od typu działania.

Co to może oznaczać dla szkoleń i opieki w praktyce

Dla osoby nieznającej tematu kluczowy wynik jest taki, że system komputerowy może nauczyć się istotnych wzorców z tego, jak pielęgniarki rzeczywiście działają w stanach nagłych, i może dość trafnie przewidywać, co ekspert‑pielęgniarka najprawdopodobniej zrobi następnie. W krótkiej perspektywie taki system mógłby zostać włączony do treningu symulacyjnego: gdy studenci przechodzą scenariusz udaru, model mógłby obserwować ich sekwencję działań i delikatnie sugerować kolejny pomocny krok, gdy utkną, zachowując holistyczne podejście ludzkiej pielęgniarki zamiast je zastępować. Autorzy podkreślają, że przed wdrożeniem podobnych narzędzi w rzeczywistych szpitalach potrzebne będą jednak większe zbiory danych, dodatkowe warunki kliniczne poza udarem i Covid‑19 oraz staranna dbałość o prywatność. Mimo to badanie to daje wczesny wgląd w to, jak AI mogłaby kiedyś wspierać, zamiast wypierać, szybkie i ratujące życie decyzje pielęgniarek.

Cytowanie: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Słowa kluczowe: podejmowanie decyzji przez pielęgniarki, symulacja kliniczna, uczenie maszynowe, modele uwagi, opieka ratunkowa