AI-gesteuerte klinische Entscheidungsunterstützung zur Reduzierung des im Krankenhaus erworbenen venösen Thromboembolie (Randomisierte Studie VTE-AI) (VTE-AI RCT)

Hintergrund {6a} Krankenhaus erworbene venöse Thromboembolismus (HA-VTE) bleibt die häufigste Todesursache bei Krankenhaus-Patienten in den USA.1 Rund 900.000 Menschen haben VTE pro Jahr. Die zweithäufigste Ursache für behindertenbezogene Lebensjahre, HA-VTE führt zu einer signifikanten Morbidität und Mortalität bei erwachsenen und pädiatrischen Patienten.3 Ungefähr 1 von 3 Menschen erleben nach VTE langfristige Komplikationen (d. H. Post-Thrombotic-Syndrom). Die Reduzierung von HA-VTE ist eine große diagnostische Herausforderung.

Trotz zahlreicher veröffentlichter prognostischer Modelle von HA-VTE übertrifft kein einzelnes Modell den Rest. Und HA-VTE wirkt sich nicht ausreichend auf Gruppen aus, was bedeutet, dass Modelle die Unterschiede im Gesundheitswesen möglicherweise widerspiegeln oder verschlimmern, wenn sie nicht im Zusammenhang mit verantwortungsbewussten Algorithmovigilant-Systemen eingesetzt werden.4 Die Integration skalierbarer KI für die HA-VTE-Prävention in eine effektive klinische Entscheidungsunterstützung (CDS) könnte die HA-VTE-Inzidenz effektiv reduzieren und gleichzeitig die Realisierung des Potenzials für AI in der klinischen Praxis mit hoher Wertschöpfung unterstützen. Kürzlich hat ein Vanderbilt-Team von Klinikern und Biostatistikern einen Regressionsrisiko-Score namens "VTE-AI" validiert, um bei der Zulassung das prognostizierte Risiko von HA-VTE zu prognostizieren.5 Die städtische Kluft hat seit langem die Unterschiede in der Gesundheitsversorgung in Bezug auf Morbidität und Mortalität verursacht.6 Diese Unterschiede resultieren möglicherweise nicht aus der Umstieg selbst, sondern aus den Auswirkungen des sozioökonomischen Nachteils, der ethnischen Zugehörigkeit, der geringeren Verfügbarkeit von Dienstleistungen, einem höheren persönlichen Risiko und gefährlicheren Umwelt-, Berufs- und Transportbedingungen. "7." 7 Die KI -Implementierung unterscheidet sich nicht, ohne auf Unterschiede in beiden Bereitstellungseinstellungen zu achten. Durch die Untersuchung mehrerer gleichzeitiger Implementierungen von KI im städtischen und ländlichen Umfeld mit erwachsenen und pädiatrischen Patienten werden beispiellose Einblicke für AI-gesteuerte CDs liefern.

Begründung und spezifische Ziele {6b} Diese Studie werden einen neuartigen AI-Ansatz zur Vorhersage des HA-VTE-Risikos und zur Führung der Prävention streng untersuchen. Diese Studie wird starke Beweise für den pragmatischen Einsatz neuartiger AI-CDs erbringen, um HA-VTE an verschiedenen Standorten und Populationen zu verhindern.

The goal of this study is to evaluate the effectiveness of AI-driven CDS to reduce the incidence of HA-VTE across the Vanderbilt Health System including urban and rural sites: Vanderbilt Adult Hospital (VUH) and the Vanderbilt Regional Health System (VRHS) including Vanderbilt Tullahoma Harton Hospital (VTHH), Vanderbilt Bedford County Hospital (VBCH), and Vanderbilt Wilson County Hospital (VWCH).

Wir werden einen validierten Risiko-Score, VTE-AI, 5 umsetzen, bei dem keine Kliniker-Input zur Berechnung erforderlich sind, um CDs zu fordern, was darauf hindeutet, dass die DVT-Prophylaxe bei denen, die 1) keine aktive Prophylaxe aufweisen, und 2) keine Kontraindierung gegen pharmakologische Prophylaxis haben. Dieser CDS "Nudge" wird auftreten, nachdem die Zulassungsbefehle für Krankenhauseinweisungen und an jedem nachfolgenden Tag einer stationären Begegnung eingereicht wurden.

Der aktuelle Versorgungsstandard ist ein Auftragssatz, der eine manuelle Berechnung des Padua -Risikotool8 und die Auswahl einer Prophylaxe -Option oder Dokumentation einer temporären oder dauerhaften Ausnahme erfordert. Wir werden die Effektivität der VTE-AI-gesteuerten klinischen Entscheidungsunterstützung (CDS) gegen die Standard-DVT/VTE-Prophylaxe-Anordnung bewerten, um die HA-VTE-Inzidenz in städtischen/ländlichen Dimensionen zu verringern. Wir werden eine pragmatische RCT von VTE-AI-gesteuerten CDs durchführen, die die Hälfte der berechtigten Begegnungen zu CDs und der Hälfte des Versorgungsstandards randomisieren.

Ziele {7} Primäres Ziel Wir nehmen an, dass CDs die Inzidenz von HA-VTE in denjenigen reduzieren, die von VTE-AS und II mit hohem Risiko von hohem Risiko vorhergesagt wurden, ohne Hinweise auf eine pharmakologische Prophylaxe in zwei Hälften, von Ausgangswert von 4,3% Inzidenz (562/12.946 Ereignisse) bis 2,2% Inzidenz, für die 2.236 Encountern erforderlich ist. Die Berechnung der Stichprobengröße zeigt an, dass in jedem Arm mindestens 1.118 Patientenbegegnungen benötigt werden, um 80% Leistung mit 5% Wahrscheinlichkeit eines Fehlers vom Typ I zu erreichen. Unter Verwendung historischer Daten von 2023-2024 sehen wir die Begegnung von 150-230 Begegnungen pro Monat, die diese Kriterien erfüllen. Wir werden den RCT daher für ein (1) Jahr durchführen, um die erforderliche Stichprobengröße zu erfüllen.

Sekundäres Ziel Wir nehmen an, dass die VTE-AI-CDs das Blutungsrisiko, die Rückübernahmeraten oder die Aufenthaltsdauer (LOS) zwischen Intervention und Nicht-Interventionswaffen erhöhen.

Versuchsdesign {8} Zwei-Arm-RCT mit Randomisierung auf Begegnungsebene.