ER2 und Deep Learning zur Vorhersage gesundheitsschädlicher Folgen

Ein Besuch in der Notaufnahme eines älteren Erwachsenen ist ein medizinischer Eingriff mit hohem Risiko. Zu den bekannten unerwünschten Ereignissen (UE) gehören Delirium, verlängerter Notaufnahme- oder Krankenhausaufenthalt, Krankenhausaufenthalt, wiederkehrende Notaufnahmebesuche und Krankenhaustod. Diese treten in zunehmendem Maße bei Notaufnahmebesuchern auf, die älter als 65 Jahre sind und an Notaufnahmebesuchen beteiligt sind.

Werkzeuge zur Vorhersage unerwünschter Ereignisse in der Notaufnahme sind von größter Bedeutung, um die Entscheidungsfindung bei der Patiententriage und -disposition zu unterstützen. Sie können dabei helfen, Bereiche mit ungedecktem Bedarf für Senioren zu identifizieren, um gezielte Maßnahmen zu entwickeln. Es gibt mehrere Bewertungssysteme, darunter „Programme de recherche sur l'intégration des services de maintien de l'autonomie“ (PRISMA-7), Identification of Seniors at Risk (ISAR), Clinical Frailty Scale (CFS) und Brief Geriatric Assessment (BGA). wurden in der Notaufnahme und anderen Einrichtungen ausführlich auf verschiedene Ergebnisse hin untersucht. Diese Tools basieren auf einem einfachen Bewertungssystem, das von minimal geschultem Personal zuverlässig und schnell verwaltet werden kann. Es ist unwahrscheinlich, dass eine andere Vorgehensweise auf die tägliche klinische Praxis anwendbar ist.

Da sich die Vorhersagegenauigkeit im letzten Jahrzehnt nicht wesentlich verbessert hat, sind möglicherweise neue Analysestrategien erforderlich. Der aktuelle Hype um Deep Learning entsteht durch bessere und günstigere Hardware und die Verfügbarkeit einfacher und Open-Source-Bibliotheken, die von großen Unternehmen und einer breiten Benutzergemeinschaft unterstützt werden. Daher ist die Implementierung von Deep-Learning-Algorithmen (DL) nun in einem breiten Spektrum von Umgebungen möglich, einschließlich der medizinischen Versorgung in einer normalen klinischen Praxis. Es hat sich gezeigt, dass DL bei sehr spezifischen Aufgaben genauer ist als der durchschnittliche staatlich geprüfte Spezialist. Die Vorhersage verschiedener klinischer Ergebnisse hat zu weniger dramatischen Ergebnissen geführt, möglicherweise weil herkömmliche (Nicht-DL-)Modelle bei vielen Krankheitszuständen bereits bessere Ergebnisse als Ärzte erzielten. Veröffentlichte DL-Ansätze zur Ergebnisvorhersage in der Notaufnahme konzentrierten sich auf akut erkrankte Erwachsene im Allgemeinen, spezifische Erkrankungen oder administrative Probleme wie die Aufnahmeabteilung oder die Überbelegung der Notaufnahme. Keiner hat sich auf eine bestimmte Altersgruppe wie ältere ED-Besucher konzentriert.

Ein wichtiger Vorbehalt bei vielen DL-Ansätzen ist die Interpretation der Ergebnisse. Um Interventionen auf der Grundlage gezielter Merkmale im Zusammenhang mit UEs in einem bestimmten Modell zu entwickeln, muss dieses einigermaßen transparent sein. Wenn mehrere Schichten von NNs die Vorhersage im Vergleich zur linearen Regression verbessern, liefern sie häufig keine klinisch relevanten Erkenntnisse darüber, wie und welche Variablen interagieren, um dieses Ergebnis zu erzielen.