Oznámení o sepsi strojového učení pomocí klinických dat (HindSight P2)

Budeme hodnotit výkonnost HindSight v randomizované kontrolované studii (RCT). HindSight je nový kódovací software navržený k optimalizaci výstrah pro upozornění na sepsi. HindSight identifikuje rozhodnutí lékařů související se sepsí v elektronických zdravotních záznamech bývalých pacientů a předává tyto události InSight, čímž poskytuje InSight označené příklady skutečně pozitivních případů sepse pro rekvalifikaci. V naší retrospektivní práci jsme ukázali, že HindSight umožňuje InSight přizpůsobit se místně specifickým odchylkám klinického nasazení v reálném světě tím, že úspěšně redukuje falešné a irelevantní alarmy bez lidského dohledu. Cílem tohoto projektu je ukázat, že retrospektivní úspěch HindSight lze úspěšně přenést do živého klinického prostředí. V naší práci Fáze I dosáhl HindSight oblast pod provozní charakteristikou přijímače (AUROC) 0,899, 0,831 a 0,877 pro klinické hodnocení sepse, léčbu a nástup. Použitím online výukového algoritmu k začlenění dat označených HindSight do prediktoru InSight jsme ukázali, že online trénovaný InSight se může přizpůsobit datům označeným HindSight a překonat základní i pravidelně přeškolované verze InSight (p < 0,05) . V cíli 1 budeme prospektivně neintervenčně ověřovat výkon HindSight na tocích pacientských dat v reálném čase ve třech různých nemocnicích. V cíli 2 zhodnotíme účinek nástroje v prospektivní intervenční RCT. HindSight bude nejprve vyhodnocen živým nasazením ve čtyřech akademických a komunitních nemocnicích, přičemž během této doby nebude poskytovat upozornění na budoucí nástup sepse. Po jakékoli nezbytné optimalizaci algoritmu vyplývající z validace v nemocnici provedeme RCT, abychom vyhodnotili snížení falešných výstrah od InSight vyškoleného na štítcích HindSight sepse (experimentální rameno) ve srovnání s InSight vyškoleným na štítcích Sepsis-3 zlatého standardu (kontrolní rameno).