Pilotní studie pro pooperační strojové učení

Přestože se operace a anestezie staly v průměru mnohem bezpečnějšími, u mnoha pacientů se po operaci stále objevují komplikace. Některým z těchto komplikací se pravděpodobně vyhneme nebo budou méně závažné při včasné detekci a léčbě. Barnes-Židovská nemocnice nedávno začala používat Anesthesia Control Tower (ACT), což je vzdálená skupina vedená anesteziologem, který kontroluje živá data z operačních sálů BJH a volá poskytovatele anestezie s obavami o zlepšení reakčních časů a zlepšení využití nejlepších praktikuje ošetření. ACT také používá strojové učení (ML) k výpočtu rizik pacienta během operace jako způsob měření, kdy se pacientovi daří lépe nebo hůře.

Studijní tým má podezření, že dva mechanismy mohou umožnit predikci rizik ke zlepšení pooperační péče. Za prvé, může to učinit některá data pro lékaře užitečnější. Přestože jsou intraoperační údaje extrémně bohaté na mnoho monitorů, událostí odezvy na léky a chirurgických stresových reakcí, které odhalují fyziologický stav pacienta, jsou tato data také extrémně specializovaná a obtížně přístupná. Studijní tým se domnívá, že správná interpretace intraoperačních dat nebo správná léčba není často jasná, dokud není operace téměř dokončena. Zdravotnický tým na dospávacím pokoji (jednotka poanesteziologické péče, PACU) a chirurgických odděleních je odpovědný za rozhodování o strategii léčby, ale nemá přístup k informacím z intraoperačních monitorů a událostí. Těmto poskytovatelům rovněž chybí znalosti k přímému výkladu těchto informací a čas na jejich podrobné přezkoumání. Dokonce i předoperační informace mohou být méně než plně dostupné, protože pacient může být stále příliš sedativní nebo zmatený z anestezie, než aby mohl vysvětlit mnoho o své anamnéze. Shrnutím těchto různorodých zdrojů informací do rizikového profilu mohou výstupy strojového učení přímo zlepšit porozumění pooperačním poskytovatelům nebo zlepšit identifikaci pacientů se zvýšeným rizikem pooperačních nepříznivých výsledků.

Druhý mechanismus se odvíjí od změn chování, ke kterým může dojít u poskytovatelů v reakci na strojově generované rizikové profily. Studijní tým pozoroval mnoho předávání z operačního sálu a PACU obsahuje seznamy „důležitých“ dat, ale je běžné, že předávající neposkytne žádnou interpretaci (jakého problému se tato informace týká) nebo předvídatelné pokyny (pokud identifikuje potenciální nebo skutečný problém, co by měl předávací přijímač dělat). Studijní tým také pozoroval, že jakmile bylo hlavní riziko jasně identifikováno v řetězci předávání, má tendenci se šířit vpřed ve spojení se základními daty, jakýmikoli změnami, které zaznamenal současný poskytovatel, a aktuálním plánem. Studijní tým má podezření, že u podskupiny pacientů s podstatně zvýšenými predikcemi jejich rizikového profilu se může zlepšit předávací komunikace a týmová koordinace u identifikovaných problémů.

Větším cílem je zavést pro každého pacienta „výkazovou kartu“, která shrnuje předoperační hodnocení a intraoperační data způsobem, který je užitečný pro pooperační poskytovatele. V této studii budou tyto zprávy ML integrovány do klinického pracovního postupu a určí, zda to má vliv na chování při předávání. Studijní tým také vyhodnotí informační účinek a otestuje bezpečnost zprávy tím, že určí, zda kliničtí lékaři zjistí nějaké závažné nepřesnosti související s implementací.

Tato studie je podstudií randomizované studie ACT-intraoperačního kontaktu (TECTONICS IRB# 201903026) a vhodní budou pouze pacienti v kontaktní (léčebné) skupině. Vyšetřovanými pacienty budou všichni dospělí operující na BJH s divizí chirurgie akutní a kritické péče. Kritéria vyloučení jsou plánované přijetí na JIP. U každého zahrnutého pacienta lékař ACT zkontroluje informace ve zprávě a pooperační poskytovatelé budou buď přímo kontaktováni, nebo obdrží Epic Best Practices Advisory. Naše studie bude kvaziexperimentem před-po, což znamená, že po stanoveném datu budou všichni způsobilí pacienti dostávat intervenci a výsledná měření budou porovnána s pacienty před tímto datem. Měřítkem výsledku, který budeme studovat, je účinnost předávání z zotavovny na oddělení. Poskytovatelé budou dotazováni na informační hodnotu, jakékoli nepřesné položky nebo významná opomenutí.

Vysvědčení ML nedoporučí konkrétní léčbu a rozhodnutí zůstane v rukou lékaře na PACU nebo odděleních. Pooperační poskytovatel dostane také informace o vysvědčení a jeho omezeních.