Rychlá diagnostika rizik u hospitalizovaných pacientů pomocí strojového učení

Cílem tohoto návrhu je rychle zavést nástroj na podporu klinického rozhodování (eCARTv5) v elektronickém zdravotním záznamu více lékařsko-chirurgických jednotek. eCART kombinuje algoritmus strojového učení v reálném čase pro identifikaci pacientů se zvýšeným rizikem přenosu a úmrtí na intenzivní péči (ICU) s klinickými cestami ke standardizaci péče o tyto pacienty na základě kvantitativního hodnocení rizika pacientů v reálném čase.

Vyšetřovatelé předpokládají, že zavedení takového nástroje bude spojeno se snížením využití ventilátoru, délky pobytu a úmrtnosti u vysoce rizikových hospitalizovaných dospělých.

Pozadí:

Ke klinickému zhoršení dochází přibližně u 5 % hospitalizovaných dospělých. Zpoždění při rozpoznání zhoršení zvyšuje riziko nepříznivých výsledků. Algoritmy strojového učení zlepšují klinické rozhodování a mohou zlepšit kvalitu péče o pacienty. Jejich dopad na klinické výsledky však závisí nejen na citlivosti a specifičnosti algoritmu, ale také na tom, jak dobře je tento algoritmus integrován do pracovních postupů poskytovatele a umožňuje včasnou a vhodnou intervenci.

Předběžné údaje:

eCART byl postaven na více než deseti letech probíhajícího vědeckého výzkumu a zaznamenán v mnoha recenzovaných publikacích. eCART byl vyvinut na University of Chicago Drs. Dana Edelson a Matthew Churpek. První verze (eCARTv1) byla odvozena a ověřena pomocí lineární logistické regrese v datovém souboru téměř 60 000 dospělých pacientů na oddělení z jediného lékařského centra. Tento model měl v sobě 16 proměnných a byl následně ověřen v tichém režimu, což prokázalo, že eCART může upozornit lékaře více než 24 hodin předem na přesun na JIP nebo srdeční zástavu. eCARTv2, odvozený a ověřený v datovém souboru téměř 270 000 pacientů z 5 nemocnic, byl oproti dřívější verzi vylepšen použitím kubického spline logistického regresního modelu s 27 proměnnými a prokázal lepší přesnost oproti Modified Early Warning Score (MEWS), běžně používanému skóre. které mohou ručně vypočítat sestry u lůžka (AUC 0,77 vs. 0,70 pro srdeční zástavu, převoz na JIP nebo smrt). V multicentrické klinické implementační studii byla eCARTv2 spojena s 29% snížením relativního rizika mortality. V dalším vývoji eCART výzkumný tým University of Chicago prokázal, že upgrade z kubického spline modelu na model strojového učení, jako je náhodný les nebo gradientem zesílený stroj (GBM), by mohl zvýšit AUC. V rámci nejnovějšího vývoje – eCART v5 – výzkumný tým pokročil v analýze pomocí modelu strojového učení se zesíleným gradientem trénovaného na multicentrické sadě dat s více než 800 000 záznamy pacientů. Nyní s 97 proměnnými tento sofistikovanější model zvyšuje přesnost, s níž mohou lékaři předpovídat klinické zhoršení.