Моделирование задач сестринского ухода в смоделированных экстренных сценариях: выводы для клинической подготовки и практики

Почему это исследование важно для ухода за пациентами

Когда в отделении неотложной помощи чей‑то статус внезапно ухудшается, медсестры часто замечают это первыми и начинают действовать. Их быстрые решения — что проверить, кого вызвать, какое лечение начать — могут определять разницу между выздоровлением и серьёзным вредом. При этом многие такие выборы принимаются очень быстро и интуитивно, и даже опытным медсестрам порой трудно объяснить, как именно они действуют. В этом исследовании изучается, может ли современный искусственный интеллект уловить закономерности действий экспертов в реалистичных экстренных симуляциях с целью в будущем поддержать менее опытных медсестёр в критических ситуациях.

Как эксперты думают на ходу

Опытные медсестры, ухаживающие за тяжёлыми пациентами, делают гораздо больше, чем следуют пошаговым чек‑листам. Они постоянно объединяют показания мониторов, данные в карте, то, что видят и ощущают при физикальном обследовании, и то, что пациенты сообщают о своём самочувствии. Большая часть такого принятия решений происходит быстро, интуитивно и трудно поддаётся вербализации. Новички, напротив, часто строго придерживаются письменных протоколов и уделяют большое внимание только цифрам на мониторе, что делает их менее гибкими при неожиданном изменении состояния пациента. Авторы исследования предположили, что если зафиксировать последовательность видимых действий медсестёр — например, проверка витальных показателей, разговор с пациентом или вызов врача — то эту процедуру принятия решений можно будет смоделировать достаточно хорошо, чтобы поддерживать подготовку и практику.

Смоделированные экстренные ситуации в безопасной обстановке

Чтобы изучать эти шаблоны, не подвергая риску реальных пациентов, команда использовала детализированные симуляции с живыми манекенами. Одиннадцать опытных медсестёр и тринадцать студентов третьего курса сестринского дела прошли экстренные сценарии, включающие внезапное развитие ишемического инсульта у пациента, а для экспертов — ещё один сценарий с пациентами с тяжёлыми осложнениями Covid‑19. Каждое действие медсестёр — всего 19 различных типов поведения — записывали на видео, отметили время и тщательно кодировали клинические и специалисты по человеческим факторам. Эти множество конкретных действий затем сгруппировали в восемь более широких категорий, таких как проверка витальных показателей, выполнение целенаправленного физикального обследования, разговор с пациентом, просмотр карты, выдача лекарств, вызов врача, назначение дополнительных исследований или привлечение команды быстрого реагирования.

Что данные показали о паттернах сестринского ухода

В 33 эпизодах симуляций медсестры и студенты выполнили 1024 действия — в среднем примерно по 31 действию на сценарий. Проверка витальных показателей оказалась самым частым поведением, за ней следовали целевые физикальные обследования и общение с пациентом. Карта переходов показала, что независимо от только что выполненного действия следующим шагом медсестры чаще всего проверяли монитор — это указывает на регулярное использование цифровых показателей для подтверждения того, что они видят и слышат. Также обнаружились заметные различия между экспертами и студентами: эксперты уравновешивали время между монитором и наблюдением с помощью рук, чаще назначали дополнительные исследования и выдавали медикаменты, тогда как студенты больше полагались только на монитор. Эти различия сформировали разнообразный набор поведенческих паттернов, которые могли бы помочь модели выучить более общие правила ухода за пациентом.

Обучение модели предсказывать следующий шаг медсестры

Ключевой вопрос заключался в том, сможет ли современный подход ИИ, известный как трансформер с механизмом внимания, научиться предсказывать, какое действие медсестра выполнит следующим, опираясь только на последовательность предыдущих действий. Команда обучила эту модель на кодированных данных симуляций и сравнила её с двумя более традиционными методами последовательного обучения: простой рекуррентной нейронной сетью и сетью с длинной краткосрочной памятью (LSTM). Все три модели показали лучший результат, чем простое угадывание наиболее частого следующего действия. Модель на основе внимания достигла примерно 73‑процентной точности в целом и в целом показала наиболее сбалансированную производительность по разным типам действий, особенно при воспроизведении менее частых, но важных действий. Модель LSTM продемонстрировала немного более высокую точность предсказаний — то есть когда она прогнозировала конкретное действие, оно с некоторой большей вероятностью оказывалось верным — но её результаты сильнее варьировались между типами действий.

Что это может означать для подготовки и помощи в реальной практике

Для неспециалиста ключевой вывод таков: компьютерная система может выявлять значимые шаблоны в том, как медсестры фактически работают в экстренных ситуациях, и достаточно точно предсказывать, что, вероятно, сделает опытная медсестра дальше. В ближайшей перспективе такую систему можно встроить в тренировки на симуляторах: когда студенты проходят сценарий инсульта, модель могла бы отслеживать их последовательность действий и мягко предлагать следующий полезный шаг, если они застопорились, сохраняя при этом целостный подход человека‑медсестры, а не заменяя его. Авторы подчёркивают, что перед применением подобных инструментов в реальных больницах потребуется больше данных, расширение набора состояний помимо инсульта и Covid‑19, а также тщательное соблюдение конфиденциальности. Тем не менее это исследование даёт раннее представление о том, как ИИ однажды может поддерживать, а не вытеснять, быстрые, спасающие жизни решения медсестёр.

Цитирование: 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

Ключевые слова: принятие сестринских решений, клиническая симуляция, машинное обучение, модели внимания, экстренная помощь