Auswirkung des Vorhersagemodells auf die Beurteilung der Patientendisposition durch Notärzte

Spezifische Ziele/Ziele:

1. Messen Sie die Auswirkung der Weitergabe einer Modellvorhersage der Aufnahme auf die Beurteilung der Patientendisposition durch einen behandelnden Arzt innerhalb einer Stunde nach der Vorstellung in einem tertiären akademischen Kinderkrankenhaus.
2. Messen Sie die Auswirkung der Weitergabe einer Modellvorhersage aus einem auf gleiche Untergruppenleistung abgestimmten Modell auf die Beurteilung der Patientendisposition durch einen behandelnden Arzt innerhalb einer Stunde nach der Vorstellung in einem tertiären akademischen Kinderkrankenhaus.

Hintergrund und Bedeutung:

Modelle des maschinellen Lernens (ML) bieten zunehmend klinische Entscheidungsunterstützung (CDS) für Pflegeteams, um dabei zu helfen, Einzelpersonen basierend auf ihren prognostizierten Gesundheitsbedürfnissen und -ergebnissen für eine bestimmte Pflege zu priorisieren. KI/ML-Methoden können einen besonders großen Einfluss auf die Ressourcenzuweisung in Notaufnahmen (EDs) in den gesamten USA haben, die nach Angaben des Institute for Medicine „kurz vor der Belastungsgrenze“ der Überkapazität stehen. Leider schneiden Modelle bei desinvestierten Teilpopulationen im Vergleich zur Gesamtbevölkerung oft schlecht ab. Infolgedessen können ML-Modelle nachgelagerte gesundheitliche Ungleichheiten verschärfen, indem sie bei marginalisierten Patientensubpopulationen eine unterdurchschnittliche Leistung erbringen, insbesondere wenn Modelle auf mehrere Pflegezentren ausgeweitet werden und/oder über längere Zeiträume ohne Subgruppenüberwachung verwendet werden.

In den letzten Jahren wurden viele Vorhersagemodelle entwickelt, um die Disposition des Patienten in der Notaufnahme vorherzusagen, darunter ein von unserer Gruppe entwickeltes Vorhersagetool, das sich derzeit im Boston Children's Hospital, South Shore Hospital und Children's Hospital of Los-Angeles in der Pilotphase befindet. Unser Vorhersagetool, der Predictor of Patient Placement (POPP), liefert eine genaue Echtzeit-Wahrscheinlichkeit einer Aufnahme auf der Grundlage der zum Zeitpunkt des Besuchs in der elektronischen Gesundheitsakte verfügbaren Daten. Die Vorankündigung wahrscheinlicher Aufnahmen kann einen wichtigen Einfluss auf die Warte- und Aufnahmezeiten in der Notaufnahme haben und möglicherweise den Ablauf und die Patientenzufriedenheit verbessern.

Zu diesem Zweck hat das Untersuchungsteam einen Förderantrag bei der National Library of Medicine (NLM) [1R01LM014300 - 01A1] eingereicht, der die Entwicklung und Validierung fairnessbewusster Vorhersagemodelle für die Patientenaufnahme erforscht. Ziel 2 dieses Zuschusses untersucht die Wirkung dieser Modelle auf die Beurteilung der Disposition des Patienten durch Notaufnahmeärzte und entspricht diesem Protokoll. Das NLM hat seine Absicht bekundet, diesen Vorschlag zu finanzieren, und die Ermittler sind dabei, Dokumente einzureichen, um die Vergabe abzuschließen. Dieser Studienteil ist für das 3. Studienjahr vorgesehen.

Vorläufige Studien

Die Forscher führten eine Reihe erster retrospektiver Studien durch, in denen festgestellt wurde, dass die Aufnahme von Patienten mit maschinellen Lernmodellen im Voraus in der BCH-Notaufnahme, schrittweise während des Besuchs sowie in anderen medizinischen Zentren mit guter Genauigkeit vorhergesagt werden konnte (AUROC 0,9–0,93). .

Als nächstes stellten die Forscher fest, dass die Genauigkeit von POPP bei der Vorhersage der Aufnahmewahrscheinlichkeit einen Mehrwert für die Gestaltbeurteilung von ED-behandelnden Ärzten darstellte. Der positive Vorhersagewert für die Vorhersage einer Aufnahme betrug 66 % für die Kliniker, 73 % für POPP und 86 % für ein Hybridmodell, das beide kombiniert.

Schließlich entwickelten die Forscher Methoden zur Nachbearbeitung der ED-Vorhersagemodelle, um sie für alle demografischen Patientengruppen, die nach Rasse, Geschlecht und Versicherungsprodukt definiert sind, gut zu kalibrieren.

Die Modellvorhersagen werden derzeit zur Unterstützung der Bettkoordination eingesetzt, können aber aufgrund ihres hohen Wertes auch die Entscheidungsfindung am Bett verbessern. Unser Ziel ist es nun, mit dieser Studie in einer simulierten, sicheren und realistischen Umgebung zu testen, wie sich Modellempfehlungen auf die Einschätzung der Aufnahmewahrscheinlichkeit durch behandelnde Notärzte auswirken.