En hurtig diagnosticering af risiko hos indlagte patienter ved hjælp af maskinlæring

Formålet med dette forslag er hurtigt at implementere et klinisk beslutningsstøtteværktøj (eCARTv5) i den elektroniske patientjournal for flere medicinsk-kirurgiske enheder. eCART kombinerer en maskinlæringsalgoritme i realtid til identifikation af patienter med øget risiko for intensivbehandling (ICU) overførsel og død med kliniske veje for at standardisere behandlingen af ​​disse patienter baseret på en kvantitativ realtidsvurdering af patientrisiko.

Efterforskerne antager, at implementering af et sådant værktøj vil være forbundet med et fald i respiratorudnyttelse, liggetid og dødelighed for højrisiko hospitalsindlagte voksne.

Baggrund:

Klinisk forværring forekommer hos cirka 5 % af de indlagte voksne. Forsinkelser i erkendelse af forværring øger risikoen for uønskede resultater. Maskinlæringsalgoritmer forbedrer den kliniske beslutningstagning og kan forbedre kvaliteten af ​​patientbehandlingen. Imidlertid afhænger deres indvirkning på kliniske resultater ikke kun af algoritmens følsomhed og specificitet, men også af, hvor godt denne algoritme er integreret i udbyderens arbejdsgange og letter rettidig og passende intervention.

Foreløbige data:

eCART er bygget på mere end ti års igangværende videnskabelig forskning og gengivet i talrige peer-reviewede publikationer. eCART blev udviklet ved University of Chicago af Dr. Dana Edelson og Matthew Churpek. Den første version (eCARTv1) blev udledt og valideret ved hjælp af lineær logistisk regression i et datasæt med næsten 60.000 voksne afdelingspatienter fra et enkelt lægecenter. Denne model havde 16 variabler i sig og blev efterfølgende valideret i lydløs tilstand, hvilket viser, at eCART kunne advare klinikere mere end 24 timer før ICU-overførsel eller hjertestop. eCARTv2, afledt og valideret i et datasæt med næsten 270.000 patienter fra 5 hospitaler, forbedret i forhold til den tidligere version ved at bruge en kubisk spline logistisk regressionsmodel med 27 variabler og demonstrerede forbedret nøjagtighed i forhold til Modified Early Warning Score (MEWS), en almindeligt anvendt score som kan håndberegnes af sygeplejersker ved sengen (AUC 0,77 vs. 0,70 for hjertestop, ICU-overførsel eller død). I et multicenter klinisk implementeringsstudie var eCARTv2 forbundet med en relativ risikoreduktion på 29 % for dødelighed. I den videre udvikling af eCART demonstrerede University of Chicagos forskningshold, at opgradering fra en kubisk spline-model til en maskinlæringsmodel, såsom en tilfældig skov eller gradient boostet maskine (GBM), kunne øge AUC. I den seneste udvikling - eCART v5 - har forskerholdet avanceret analysen ved hjælp af en gradientboostet maskinlæringsmodel trænet på et multicenterdatasæt med mere end 800.000 patientjournaler. Nu med 97 variabler øger denne mere sofistikerede model den nøjagtighed, hvormed klinikere kan forudsige klinisk forringelse.