Vliv prediktivního modelu na hodnocení dispozice pacienta lékařem ED

Konkrétní cíle/cíle:

1. Změřte vliv sdílení modelové predikce přijetí na posouzení dispozice pacienta ošetřujícím lékařem do jedné hodiny od prezentace v terciární akademické pediatrické nemocnici.
2. Změřte vliv sdílení modelové predikce z modelu vyladěného pro stejný výkon podskupiny na hodnocení dispozice pacienta ošetřujícím lékařem do jedné hodiny od prezentace v terciární akademické pediatrické nemocnici.

Pozadí a význam:

Modely strojového učení (ML) stále více poskytují podporu klinického rozhodování (CDS) pečovatelským týmům, aby pomohly upřednostňovat jednotlivce pro konkrétní péči na základě jejich předpokládaných zdravotních potřeb a výsledků. Metody AI/ML mohou mít obzvláště velký dopad na přidělování zdrojů na pohotovostních odděleních (ED) po celých Spojených státech, která byla podle Institutu pro lékařství popsána jako „blízko bodu zlomu“ nadměrné kapacity. Bohužel modely často fungují špatně na deinvestovaných subpopulacích ve vztahu k populaci jako celku. V důsledku toho mohou modely ML zhoršit disparity ve zdravotním stavu navazujících na nižší výkony u marginalizovaných subpopulací pacientů, zejména pokud jsou modely rozšířeny na více center péče a nebo jsou používány bez dlouhodobého sledování podskupin.

V posledních letech bylo vyvinuto mnoho predikčních modelů pro predikci pacientových dispozic z ED, včetně predikčního nástroje vyvinutého naší skupinou a v současné době ve zkušebních fázích v Boston Children's Hospital, South Shore Hospital a Children's Hospital of Los-Angeles. Náš predikční nástroj, Predictor of Patient Placement (POPP), poskytuje přesnou pravděpodobnost přijetí v reálném čase na základě údajů dostupných v elektronickém zdravotním záznamu v době návštěvy. Předběžné oznámení o pravděpodobných přijetích může mít významný dopad na dobu čekání a nástupu na ED s potenciálem zlepšit průtok a spokojenost pacientů.

Za tímto účelem výzkumný tým předložil návrh grantu Národní lékařské knihovně (NLM) [1R01LM014300 - 01A1], která zkoumá vývoj a validaci predikčních modelů přijímání pacientů s ohledem na spravedlnost. Cíl 2 tohoto grantu studuje účinek těchto modelů na hodnocení dispozice pacienta lékařem ED a odpovídá tomuto protokolu. NLM oznámilo svůj záměr financovat tento návrh a vyšetřovatelé v současné době předkládají dokumenty k dokončení ocenění. Tato část studia je určena pro 3. ročník studia.

Předběžné studie

Vyšetřovatelé provedli řadu počátečních retrospektivních studií, které prokázaly, že přijetí pacienta lze předvídat pomocí modelů strojového učení předem v BCH ED, postupně během návštěvy, stejně jako v jiných lékařských centrech s dobrou přesností (AUROC 0,9-0,93). .

Dále vyšetřovatelé zjistili, že přesnost POPP v predikci pravděpodobnosti přijetí přidala hodnotu gestalt hodnocením ošetřujících lékařů ED. Pozitivní prediktivní hodnota pro predikci přijetí byla 66 % pro klinické lékaře, 73 % pro POPP a 86 % pro hybridní model kombinující obojí.

Nakonec výzkumníci vyvinuli metody pro následné zpracování predikčních modelů ED, aby byly dobře kalibrované napříč demografickými skupinami pacientů definovanými podle rasy, pohlaví a pojistného produktu.

Modelové predikce se v současnosti používají jako pomoc při koordinaci lůžka, ale vzhledem k jejich vysoké hodnotě mohou také zlepšit rozhodování u lůžka. Naším cílem je nyní pomocí této studie otestovat v simulovaném, bezpečném a realistickém prostředí, jak modelová doporučení ovlivňují hodnocení pravděpodobnosti přijetí ošetřujícími lékaři na ED.