Alertas de aprendizaje para la lesión renal aguda

La lesión renal aguda (AKI, por sus siglas en inglés) conlleva un riesgo significativo e independiente de mortalidad entre los pacientes hospitalizados, pero a pesar de su asociación con malos resultados clínicos, la AKI es asintomática y, con frecuencia, los médicos la pasan por alto, con menos de la mitad de todos los pacientes con AKI con documentación del síndrome en la historia clínica electrónica, que se asoció con una disminución de las tasas de mejores prácticas clínicas de LRA.

Nuestro grupo de investigación realizó recientemente un ensayo controlado aleatorio multicéntrico a gran escala de alertas electrónicas para AKI en todo el Sistema de Salud de Yale New Haven de 2018 a 2020 (ELAIA-1). Nuestro estudio mostró que, en general, alertar a los médicos sobre la presencia de AKI no demostró una diferencia en la tasa de nuestro resultado primario de progresión de AKI, diálisis o muerte, a pesar de que la alerta condujo a algunos cambios en el proceso de atención, como la medición de creatinina y análisis de orina. Sin embargo, hubo una heterogeneidad sustancial entre los sitios de estudio. La proliferación de sistemas de alerta que son ineficaces puede conducir al fenómeno de fatiga de alerta, por el cual los proveedores tienden a ignorar las alertas en un entorno de alerta alta y pueden tener efectos nocivos en la atención al paciente. Además, dada la naturaleza altamente heterogénea de la LRA, puede estar justificado un enfoque más personalizado para las alertas de LRA.

El modelado uplift, comúnmente utilizado en marketing, es un concepto novedoso en el campo médico y tiene como objetivo determinar las características fenotípicas que predicen una respuesta (beneficio o daño) a una determinada intervención. De esta manera, los pacientes que se prevé que se beneficiarán más de una intervención son identificados y dirigidos preferentemente. El modelado mejorado de los sistemas de alerta tiene el potencial tanto de mejorar la eficacia de las alertas a través de la orientación inteligente como de reducir la fatiga de las alertas.

En este estudio, ampliaremos nuestro ensayo anterior de alertas de LRA para determinar prospectivamente si el uso de modelos de elevación para dirigirse preferentemente a los pacientes que se espera que se beneficien de una alerta de LRA reducirá las tasas de progresión de LRA, diálisis y muerte entre los pacientes hospitalizados con LRA. Los pacientes internados en 4 hospitales docentes dentro del sistema YNHH con AKI, según los criterios de creatinina de Kidney Disease: Improving Global Outcomes (KDIGO), serán asignados aleatoriamente a un grupo "recomendado" (con puntajes más altos que reciben alertas y puntajes más bajos que no reciben alertas como se recomienda). ) frente a un grupo "anti-recomendado" (con puntuaciones más altas sin recibir alertas y puntuaciones más bajas recibiendo alertas como anti-recomendado). El resultado primario será una combinación de progresión de AKI, diálisis o mortalidad dentro de los 14 días posteriores a la aleatorización. Los resultados secundarios se centrarán en las medidas de proceso específicas de AKI.