Pilotundersøgelse til postoperativ maskinlæring

Selvom operation og anæstesi i gennemsnit er blevet meget sikrere, oplever mange patienter stadig komplikationer efter operationen. Nogle af disse komplikationer vil sandsynligvis blive undgået eller mindre alvorlige med tidlig opdagelse og behandling. Barnes-Jewish Hospital er for nylig begyndt at bruge et anæstesikontroltårn (ACT), som er en fjerngruppe ledet af en anæstesiolog, som gennemgår live-data fra BJH operationsstuer og ringer til anæstesiudbyderen med bekymringer for at forbedre reaktionstider og forbedre brugen af ​​bedste- praktiserer behandlinger. ACT bruger også maskinlæring (ML) til at beregne patientrisici under operationen som en måde at måle, hvornår patienten har det bedre eller dårligere.

Undersøgelsesholdet har mistanke om, at to mekanismer kan tillade risikoforudsigelse for at forbedre postoperativ behandling. For det første er det, at det kan gøre nogle data mere anvendelige for klinikere. Selvom intraoperative data er ekstremt rige med mange monitorer, lægemiddelresponshændelser og kirurgiske stressreaktioner for at afsløre patientens fysiologiske tilstand, er disse data også ekstremt specialiserede og svære at få adgang til. Undersøgelsesholdet mener, at mange gange er den rigtige fortolkning af intraoperative data eller den rigtige behandling at give ikke klar, før operationen er næsten færdig. Lægeteamet på opvågningsstuen (post-anæstesiafdelingen, PACU) og kirurgiske afdelinger er ansvarlige for at beslutte behandlingsstrategien, men de har ikke adgang til informationen fra de intraoperative monitorer og hændelser. Disse udbydere mangler også kendskab til direkte at fortolke disse oplysninger og tid til at gennemgå dem i detaljer. Selv præoperativ information kan være mindre end fuldt tilgængelig, fordi patienten stadig kan være for bedøvet eller forvirret fra anæstesien til at forklare meget om deres historie. Ved at opsummere disse forskellige informationskilder i en risikoprofil, kan maskinlæringsoutput direkte forbedre forståelsen af ​​postoperative udbydere eller forbedre identifikation af patienter med forhøjet risiko for postoperative uønskede resultater.

En anden mekanisme stammer fra adfærdsændringer, som kan forekomme hos udbydere som reaktion på maskingenererede risikoprofiler. Undersøgelsesholdet har observeret mange overdragelser fra operationsstuen, og PACU inkluderer lister over "vigtige" data, men det er almindeligt, at afleveringsgiveren ikke giver nogen fortolkning (hvilket problem er denne information relateret til) eller forudgående vejledning (efter at have identificeret en potentielt eller faktisk problem, hvad skal overdragelsesmodtageren gøre). Undersøgelsesholdet har også observeret, at når en større risiko er blevet tydeligt identificeret langs kæden af ​​overdragelse, har den en tendens til at blive spredt fremad med forbindelse til de underliggende data, eventuelle ændringer bemærket af den nuværende udbyder og den aktuelle plan. Undersøgelsesteamet har mistanke om, at i undergruppen af ​​patienter med væsentligt forhøjede forudsigelser om deres risikoprofil, kan overdragelseskommunikation og teamkoordinering for de identificerede problemer forbedres.

Det større mål er at implementere et "rapportkort" for hver patient, der opsummerer den præoperative vurdering og de intraoperative data på en måde, der er nyttig for postoperative udbydere. I denne undersøgelse vil disse ML-rapporter blive integreret i den kliniske arbejdsgang og afgøre, om den påvirker overdragelsesadfærd. Undersøgelsesteamet vil også evaluere informationseffekten og teste rapportkortet for sikkerhed ved at afgøre, om klinikere identificerer større unøjagtigheder i forbindelse med implementeringen.

Denne undersøgelse er et delstudie af et randomiseret forsøg med ACT-intraoperativ kontakt (TECTONICS IRB# 201903026), og kun patienter i kontakt(behandlings)gruppen vil være kvalificerede. De screenede patienter vil alle være voksne, der opereres på BJH med afdelingen for akut og kritisk kirurgi. Eksklusionskriterier er en planlagt intensivafdeling. For hver inkluderet patient vil ACT-klinikeren gennemgå rapportkortoplysningerne, og de postoperative udbydere vil enten blive kontaktet direkte eller modtage en Epic Best Practices Advisory. Vores undersøgelse vil være et før-efter kvasi-eksperiment, hvilket betyder, at efter en fast dato vil alle kvalificerede patienter modtage interventionen, og resultatmålene vil blive sammenlignet med patienter før denne dato. Det resultatmål, vi vil studere, er overdragelseseffektivitet fra opvågningsstuen til afdelingerne. Udbydere vil blive undersøgt om informationsværdi, eventuelle unøjagtige elementer eller større udeladelser.

ML rapportkortet vil ikke anbefale specifikke behandlinger, og beslutninger vil forblive i hænderne på lægen i PACU eller afdelinger. Den postoperative udbyder vil også få information om rapportkortet og dets begrænsninger.