AI-drevet klinisk beslutningsstøtte til at reducere hospital-erhvervet venøs tromboembolisme (VTE-AI randomiseret forsøg) (VTE-AI RCT)

Baggrund {6a} hospitalet erhvervet venøs tromboembolisme (HA-VTE) forbliver den førende dødsårsag hos indlagte patienter i USA.1 Cirka 900.000 mennesker oplever VTE hvert år, med forekomstbaserede medicinske omkostninger estimeret mellem $ 7 og 10 milliarder dollars pr. År.2 Den anden førende årsag til handicapjusterede livsår, HA-VTE forårsager betydelig sygelighed og dødelighed hos voksne og pædiatriske patienter.3 Omkring 1 ud af 3 personer oplever langsigtede komplikationer (dvs. post-thrombotisk syndrom) efter VTE. Reduktion af HA-VTE udgør en større diagnostisk udfordring.

På trods af adskillige offentliggjorte prognostiske modeller af HA-VTE, overgår ingen enkelt model resten. Og HA-VTE påvirker grupper ulighed, hvilket betyder, at modeller kan afspejle eller forværre sundhedsmæssige forskelle, hvis de ikke er implementeret i sammenhæng med ansvarlige, algoritmovigilante systemer.4 Integrering af skalerbar AI til HA-VTE-forebyggelse i effektiv klinisk beslutningsstøtte (CDS) kan effektivt reducere HA-VTE-forekomsten, mens den hjalp til realisering af potentialet for AI i klinisk praksis med høj værdi. For nylig validerede et Vanderbilt-team af klinikere og biostatistikere en regressionsrisikoscore kaldet "VTE-AI" til at prognostikere risikoen for HA-VTE ved optagelse.5 Urban-landdistrikterne har længe forårsaget forskelle i sundhedsvæsenet inden for sygelighed og dødelighed.6 Disse forskelle er muligvis ikke resultatet af selve ruraliteten, men fra "virkningerne af socioøkonomisk ulempe, etnicitet, dårligere servicetilgængelighed, højere niveauer af personlig risiko og mere farlige miljø-, erhvervsmæssige og transportforhold." 7 AI -implementering vil ikke være anderledes uden nøje opmærksomhed på forskelle i begge implementeringsindstillinger. At studere flere samtidige implementeringer af AI i både by- og landdistrikter med voksne og pædiatriske patienter vil give hidtil uset indsigt for AI-drevne CD'er.

Begrundelse og specifikke mål {6b} Denne undersøgelse vil nøje undersøge en ny AI-tilgang til at forudsige risiko for HA-VTE og vejledende forebyggelse. Denne undersøgelse vil fremlægge stærke bevis for den pragmatiske anvendelse af nye AI-CD'er for at forhindre HA-VTE på tværs af forskellige steder og populationer.

Målet med denne undersøgelse er at evaluere effektiviteten af ​​AI-drevne cd'er for at reducere forekomsten af ​​HA-VTE over Vanderbilt Health System inklusive by- og landdistrikter: Vanderbilt voksenhospital (VUH) og Vanderbilt Regional Health System (VRHS) inklusive Vanderbilt Tullahoma Harton Hospital (VTHH), Vanderbilt Bedford Hospital (VBCH), og Vander Bilt Wile Hospital (VWCH).

Vi implementerer en valideret risikoscore, VTE-AI, 5, som ikke kræver, at klinikerinput for at beregne, for at tilskynde cd'er, der antyder genovervejelse af DVT-profylakse hos dem, der 1) ikke har aktiv profylakse bestilt og 2) har ingen kontraindikation til farmakologisk profylakse. Denne cds "nudge" vil forekomme, efter at optagelsesordrer er blevet sendt til hospitalets optagelser og på hver efterfølgende dag af et indpatient -møde.

Den nuværende plejestandard er et ordresæt, der kræver manuel beregning af PADUA -risikoværktøjet og udvælgelse af en profylakseindstilling eller dokumentation af en midlertidig eller permanent undtagelse. Vi vil evaluere effektiviteten af ​​den VTE-AI-drevne kliniske beslutningsstøtte (CDS) mod standard DVT/VTE-profylakse-ordenen, der er indstillet til at reducere HA-VTE-forekomst over by-/landdimensioner. Vi vil gennemføre en pragmatisk RCT af VTE-AI-drevet CDS, der randomiserer halvdelen af ​​de kvalificerede møder til CDS og halv til plejestandard.

Mål {7} Primært mål Vi antager, at CDS vil reducere forekomsten af ​​HA-VTE i dem i) forudsagt i høj risiko af VTE-AI og II) uden bevis for farmakologisk profylakse i halvdelen, fra baseline 4,3% forekomst (562/12.946 begivenheder) til 2,2% forekomst, hvilket vil kræve 2,236 Encounters. Beregning af prøvestørrelse indikerer, at mindst 1.118 patientmøder er nødvendige i hver arm for at opnå 80% strøm med 5% sandsynlighed for type I -fejl. Ved hjælp af historiske data fra 2023-2024 ser vi mødeoptællinger på 150-230 møder pr. Måned, der opfylder disse kriterier. Vi vil derfor gennemføre RCT i et (1) år for at opfylde den krævede prøvestørrelse.

Sekundært mål Vi antager, at VTE-AI-cd'erne ikke øger blødningsrisikoen, tilbagetagelsesraten eller opholdets længder (LOS) mellem interventionen og ikke-interventionsarmene.

Forsøgsdesign {8} to-arm RCT med randomisering på møde-niveau.