Eine schnelle Risikodiagnose bei Krankenhauspatienten mithilfe von maschinellem Lernen

Ziel dieses Vorschlags ist die schnelle Bereitstellung eines Tools zur klinischen Entscheidungsunterstützung (eCARTv5) innerhalb der elektronischen Gesundheitsakte mehrerer medizinisch-chirurgischer Einheiten. eCART kombiniert einen Echtzeit-Algorithmus für maschinelles Lernen zur Identifizierung von Patienten mit erhöhtem Risiko für die Verlegung auf die Intensivstation (ICU) und den Tod mit klinischen Behandlungspfaden, um die Versorgung dieser Patienten auf der Grundlage einer quantitativen Echtzeitbewertung des Patientenrisikos zu standardisieren.

Die Forscher gehen davon aus, dass die Implementierung eines solchen Tools mit einer Verringerung der Beatmungsnutzung, der Aufenthaltsdauer und der Sterblichkeit bei hospitalisierten Erwachsenen mit hohem Risiko verbunden sein wird.

Hintergrund:

Bei etwa 5 % der hospitalisierten Erwachsenen kommt es zu einer klinischen Verschlechterung. Verzögerungen bei der Erkennung einer Verschlechterung erhöhen das Risiko negativer Folgen. Algorithmen des maschinellen Lernens verbessern die klinische Entscheidungsfindung und können die Qualität der Patientenversorgung verbessern. Ihr Einfluss auf die klinischen Ergebnisse hängt jedoch nicht nur von der Sensitivität und Spezifität des Algorithmus ab, sondern auch davon, wie gut dieser Algorithmus in die Arbeitsabläufe der Anbieter integriert ist und eine rechtzeitige und angemessene Intervention ermöglicht.

Vorläufige Daten:

eCART basiert auf mehr als einem Jahrzehnt laufender wissenschaftlicher Forschung und wird in zahlreichen von Experten begutachteten Veröffentlichungen dokumentiert. eCART wurde an der University of Chicago von Dr. entwickelt. Dana Edelson und Matthew Churpek. Die erste Version (eCARTv1) wurde mithilfe der linearen logistischen Regression in einem Datensatz von fast 60.000 erwachsenen Stationspatienten eines einzelnen medizinischen Zentrums abgeleitet und validiert. Dieses Modell enthielt 16 Variablen und wurde anschließend im stillen Modus validiert. Dies zeigte, dass eCART Ärzte mehr als 24 Stunden vor einer Verlegung auf die Intensivstation oder einem Herzstillstand warnen konnte. eCARTv2, abgeleitet und validiert in einem Datensatz von fast 270.000 Patienten aus 5 Krankenhäusern, verbesserte sich gegenüber der früheren Version durch die Verwendung eines kubischen Spline-Logistik-Regressionsmodells mit 27 Variablen und zeigte eine verbesserte Genauigkeit gegenüber dem Modified Early Warning Score (MEWS), einem häufig verwendeten Score Dies kann von Pflegekräften am Krankenbett manuell berechnet werden (AUC 0,77 vs. 0,70 bei Herzstillstand, Verlegung auf die Intensivstation oder Tod). In einer multizentrischen klinischen Implementierungsstudie war eCARTv2 mit einer relativen Mortalitätsrisikoreduzierung um 29 % verbunden. Bei der Weiterentwicklung von eCART zeigte das Forschungsteam der University of Chicago, dass ein Upgrade von einem kubischen Spline-Modell auf ein maschinelles Lernmodell, wie z. B. eine Random Forest- oder Gradient Boosted Machine (GBM), die AUC erhöhen könnte. In der neuesten Entwicklung – eCART v5 – hat das Forschungsteam die Analyse mithilfe eines Gradienten-verstärkten maschinellen Lernmodells weiterentwickelt, das auf einem multizentrischen Datensatz von mehr als 800.000 Patientenakten trainiert wurde. Mit nun 97 Variablen erhöht dieses ausgefeiltere Modell die Genauigkeit, mit der Ärzte eine klinische Verschlechterung vorhersagen können.