Pilotstudie für postoperatives maschinelles Lernen

Obwohl Operationen und Anästhesien im Durchschnitt viel sicherer geworden sind, kommt es bei vielen Patienten nach der Operation immer noch zu Komplikationen. Einige dieser Komplikationen können bei frühzeitiger Erkennung und Behandlung wahrscheinlich vermieden oder weniger schwerwiegend werden. Das Barnes-Jewish Hospital hat vor Kurzem damit begonnen, einen Anästhesie-Kontrollturm (ACT) zu verwenden, bei dem es sich um eine entfernte Gruppe handelt, die von einem Anästhesisten geleitet wird, der Live-Daten aus BJH-Operationssälen überprüft und den Anästhesieanbieter anruft, um die Reaktionszeiten zu verbessern und die Nutzung der besten Technologien zu verbessern. praktiziert Behandlungen. Das ACT verwendet auch maschinelles Lernen (ML), um Patientenrisiken während der Operation zu berechnen, um zu messen, ob es dem Patienten besser oder schlechter geht.

Das Studienteam vermutet, dass zwei Mechanismen eine Risikovorhersage ermöglichen könnten, um die postoperative Versorgung zu verbessern. Erstens kann es einige Daten für Kliniker besser verwertbar machen. Obwohl die intraoperativen Daten mit vielen Monitoren, Arzneimittelwirkungsereignissen und chirurgischen Stressreaktionen, um den physiologischen Zustand des Patienten aufzudecken, äußerst reichhaltig sind, sind diese Daten auch äußerst spezialisiert und schwer zugänglich. Das Studienteam ist der Meinung, dass die richtige Interpretation intraoperativer Daten oder die richtige Behandlung oft erst klar ist, wenn die Operation fast abgeschlossen ist. Das medizinische Team im Aufwachraum (Post-Ansthetic Care Unit, PACU) und den chirurgischen Stationen ist für die Entscheidung über die Behandlungsstrategie verantwortlich, hat jedoch keinen Zugriff auf die Informationen aus den intraoperativen Monitoren und Ereignissen. Diesen Anbietern fehlt auch die Vertrautheit, diese Informationen direkt zu interpretieren, und die Zeit, sie im Detail zu überprüfen. Sogar präoperative Informationen sind möglicherweise nicht vollständig verfügbar, da der Patient möglicherweise noch zu sediert oder durch die Anästhesie verwirrt ist, um viel über seine Anamnese zu erklären. Durch die Zusammenfassung dieser unterschiedlichen Informationsquellen zu einem Risikoprofil können die Ergebnisse des maschinellen Lernens das Verständnis der postoperativen Anbieter direkt verbessern oder die Identifizierung von Patienten mit erhöhtem Risiko für postoperative Nebenwirkungen verbessern.

Ein zweiter Mechanismus ergibt sich aus Verhaltensänderungen, die bei Anbietern als Reaktion auf maschinell generierte Risikoprofile auftreten können. Das Studienteam hat viele Übergaben aus dem Operationssaal und der Aufwachstation beobachtet, die Listen mit „wichtigen“ Daten enthalten, aber es ist üblich, dass der Übergabegeber keine Interpretation (auf welches Problem beziehen sich diese Informationen) oder vorausschauende Anleitung (nachdem er eine identifiziert hat potenzielles oder tatsächliches Problem, was sollte der Übergabeempfänger tun). Das Studienteam hat auch beobachtet, dass ein großes Risiko, sobald es entlang der Übergabekette eindeutig identifiziert wurde, dazu neigt, sich in Verbindung mit den zugrunde liegenden Daten, allen vom aktuellen Anbieter festgestellten Änderungen und dem aktuellen Plan nach vorne zu propagieren. Das Studienteam vermutet, dass sich bei der Untergruppe von Patienten mit erheblich erhöhten Vorhersagen zu ihrem Risikoprofil die Übergabekommunikation und die Teamkoordination für die identifizierten Probleme verbessern könnten.

Das übergeordnete Ziel besteht darin, für jeden Patienten ein "Berichtsblatt" bereitzustellen, das die präoperative Beurteilung und die intraoperativen Daten auf eine Weise zusammenfasst, die für postoperative Anbieter nützlich ist. In dieser Studie werden diese ML-Berichte in den klinischen Arbeitsablauf integriert und festgestellt, ob sie das Übergabeverhalten beeinflussen. Das Studienteam wird auch den Informationseffekt bewerten und das Zeugnis auf Sicherheit testen, indem es feststellt, ob Kliniker größere Ungenauigkeiten im Zusammenhang mit der Implementierung feststellen.

Diese Studie ist eine Unterstudie einer randomisierten Studie zu ACT-intraoperativem Kontakt (TECTONICS IRB# 201903026), und nur Patienten in der Kontakt-(Behandlungs-)Gruppe sind teilnahmeberechtigt. Die untersuchten Patienten sind alle Erwachsenen, die sich einer Operation bei BJH mit der Abteilung für Akut- und Intensivchirurgie unterziehen. Ausschlusskriterien sind eine geplante Intensivaufnahme. Für jeden eingeschlossenen Patienten überprüft der ACT-Kliniker die Berichtskarteninformationen, und die postoperativen Anbieter werden entweder direkt kontaktiert oder erhalten eine Best Practices-Beratung von Epic. Unsere Studie wird ein Vorher-Nachher-Quasi-Experiment sein, was bedeutet, dass nach einem festgelegten Datum alle geeigneten Patienten die Intervention erhalten und die Ergebnismessungen mit Patienten vor diesem Datum verglichen werden. Die Ergebnismessung, die wir untersuchen werden, ist die Effektivität der Übergabe vom Aufwachraum zu den Stationen. Die Anbieter werden nach Informationswert, ungenauen Angaben oder wesentlichen Auslassungen befragt.

Der ML-Bericht empfiehlt keine spezifischen Behandlungen, und Entscheidungen bleiben in der Hand des Arztes in der PACU oder den Stationen. Der postoperative Anbieter wird auch über das Zeugnis und seine Einschränkungen informiert.