Implementace a vyhodnocení Sepse Watch

Sepse představuje významnou zátěž pro zdravotnický systém. Národní předpovědi odhadují 751 000 případů těžké sepse ročně, která se bude zvyšovat o 1,5 %. Sepse představuje více než 23 miliard USD celkových nemocničních nákladů napříč všemi plátci a představuje téměř 4 % všech hospitalizací. Šest procent všech úmrtí v USA lze připsat sepsi. Protokolem řízené balíčky péče zlepšují klinické výsledky, ale vyžadují včasnou a přesnou detekci sepse. Bohužel časná identifikace sepse zůstává i pro zkušené klinické lékaře nepolapitelná, což vede k diagnostické nejistotě.

Pro zlepšení diagnostického konsenzu se pracovní skupina v roce 2016 dohodla na nové definici sepse. Pracovní skupina také zahrnovala nový nástroj pro stratifikaci rizik pro zlepšení včasné identifikace, model rychlého hodnocení sepse souvisejícího se selháním orgánů (qSOFA), který byl v předpovídání nepříznivých klinických výsledků přesnější než starší syndrom systémové zánětlivé reakce (SIRS). Avšak vzhledem k spolehlivosti dysfunkce koncových orgánů byla nová definice kritizována za detekci sepse pozdě v klinickém průběhu. Nástroje pro podporu klinického rozhodování založené na prediktivní analýze mohou poskytnout užitečné informace a zlepšit diagnostickou přesnost, zejména u sepse.

V publikované literatuře bylo popsáno několik nástrojů včasného varování na základě prediktivní analýzy a velkých souborů dat. Jedním z příkladů je národní skóre včasného varování (NEWS), které bylo vyvinuto za účelem diskriminace pacientů s rizikem srdeční zástavy, neplánovaného přijetí na intenzivní péči nebo úmrtí. Skóre, jako jsou NEWS, mají obvykle široký rozsah a nejsou navrženy tak, aby se specificky zaměřovaly na sepsi. Jsou také koncepčně jednoduché, protože používají pouze malý počet proměnných a porovnávají je s normálními rozsahy, aby vytvořily složené skóre. Při přidělování nezávislých skóre každé proměnné a používání pouze nejnovější hodnoty obě ignorují složité vztahy mezi proměnnými a jejich vývoj v čase.

V předchozí práci naše skupina vyvinula rámec pro modelování vícerozměrných časových řad pomocí víceúlohových gaussovských procesů, které zohledňují vysokou nejistotu, časté chybějící hodnoty a nepravidelné vzorkovací frekvence typicky spojené se skutečnými klinickými údaji, které lze číst v naší předchozí práci. Náš přístup strojového učení je lepší než jiné modely detekce sepse, které využívají tradiční analýzy a techniky strojového učení. Vlastní webová aplikace Sepsis Watch představuje skóre rizika spolu s relevantními informacemi o pacientovi a vyzve uživatele, aby pacienta dále vyhodnotil a v případě potřeby zahájil léčbu. Systém Sepsis Watch je nyní implementován klinickými provozy v Duke University Hospital.

Naše studie využívá sekvenční návrh studie na urgentním příjmu v Duke University Hospital. Naše studie bude zahrnovat moduly A, B, C a resuscitační záliv. Operační projekt se nerealizuje na psychiatrickém křídle, fast tracku, třídění ani jakýchkoliv lůžkových setkáních. Provozní projekt a tím i naše studijní období je založeno na dvoufázovém zavedení:

• 1. fáze: Prediktivní model informuje tým rychlé reakce prostřednictvím řídicího panelu. Sestra upozorní tým na riziko sepse a poskytne doporučení k léčbě primárnímu týmu a primární tým zadá objednávky. Týmová sestra rychlé reakce dokumentuje hodnocení a opatření přijatá v elektronickém zdravotním záznamu.
• 2. fáze: Zlepšení a optimalizace pracovního postupu integrovaného ve fázi 1. Jedno zlepšení pracovního postupu zahrnuje vývoj objednávkového protokolu a procesu, pomocí kterého může tým rychlé reakce zadávat objednávky pacientům, kteří jsou považováni za vhodné pro léčbu sepse. Druhé vylepšení pracovního postupu zahrnuje vypracování lékařské zpětné vazby a zprávy o auditu, která by byla zasílána pracovníkům v první linii s měřením výkonu sepse.

Kromě sledování výsledků měření pacientů navrhujeme další složku studie se smíšenými metodami, abychom získali bohatší informace o účincích systému včasného varování na situační povědomí, rozhodování a pracovní postup lékařů. Tato část našeho výzkumu bude zahrnovat (1) shromažďování dat od lékařů prostřednictvím série polostrukturovaných rozhovorů, průzkumů a pozorování (2) analýzu těchto dat a identifikaci relevantních vzorců a poznatků. Relevantní lékaři zahrnují týmové sestry rychlé reakce, sestry na pohotovostním oddělení (ED) a lékaře na ED. Tyto rozhovory budou probíhat ve třech kolech během implementačního období: před 1. ramenem, po 1. rameni a po 2. rameni. Elektronické průzkumy budou na konci 1. ramene a 2. ramene podávány lékařům. Pozorování budou probíhat během 1. a 2. ramene.

Cílem rozhovorů, průzkumů a pozorování bude (1) vyhodnotit vliv systému včasného varování na situační povědomí a rozhodování lékařů, (2) pochopit, jak systém včasného varování zapadá do pracovního postupu lékaře a (3) identifikovat příležitosti ke zlepšení implementace systému včasného varování pro budoucí rozšíření.

Rozhovory budeme strukturovat podle modelu situačního uvědomění, který rozlišuje 3 úrovně situačního uvědomění: 1) vnímání relevantních informací, 2) porozumění těmto informacím a 3) předvídání budoucích událostí na základě těchto informací. Doufáme, že prostřednictvím rozhovorů, pozorování a průzkumů se také dozvíme více o vnímání a interakcích lékařů se systémem včasného varování ao jeho změně ve stávajícím pracovním postupu oddělení urgentního příjmu pro diagnostiku a léčbu sepse. Analýza dat bude provedena za pomoci vyškolených kvalitativních výzkumníků z Data & Society, výzkumného ústavu v New Yorku, který se zaměřuje na sociální a kulturní problémy vyplývající z technologického rozvoje zaměřeného na data.