Soporte de decisiones clínicas impulsadas por la IA para reducir el tromboembolismo venoso adquirido en el hospital (ensayo aleatorizado de TEV-AI) (VTE-AI RCT)

Antecedentes {6a} Hospital adquirió tromboembolismo venoso (HA-VTE) sigue siendo la principal causa de muerte en pacientes hospitalizados en los EE. UU. La segunda causa principal de años de vida ajustados por discapacidad, HA-VTE causa una morbilidad y mortalidad significativas en pacientes adultos y pediátricos.3 Aproximadamente 1 de cada 3 personas experimentan complicaciones a largo plazo (es decir, síndrome post-trombótico) después del TEV. La reducción de HA-VTE presenta un importante desafío de diagnóstico.

A pesar de los numerosos modelos pronósticos publicados de HA-VTE, ningún modelo único supera al resto. Y HA-VTE afecta a los grupos de manera desigual, lo que significa que los modelos pueden reflejar o empeorar las disparidades de salud si no se despliegan en el contexto de los sistemas responsables y algoritmovigilantes.4 La integración de IA escalable para la prevención de HA-VTE en un apoyo de decisiones clínicas efectivas (CDS) podría reducir efectivamente la incidencia de HA-VTE al tiempo que ayuda a la realización del potencial de IA en la práctica clínica de alto valor. Recientemente, un equipo de Vanderbilt de médicos y bioestadísticos validó un puntaje de riesgo de regresión llamado "TEV-AI" para pronosticar el riesgo de HA-Vte al ingreso.5 La división urbana-rural ha causado largas disparidades de atención médica en la morbilidad y mortalidad.6 Estas diferencias podrían no resultar de la ruralidad misma, sino de "los efectos de la desventaja socioeconómica, el origen étnico, la menor disponibilidad de servicios, niveles más altos de riesgo personal y condiciones ambientales, ocupacionales y de transporte más peligrosas". 7. La implementación de IA no será diferente sin mucha atención a las diferencias en ambas configuraciones de implementación. Estudiar múltiples implementaciones simultáneas de IA en el entorno urbano y rural con pacientes adultos y pediátricos producirá información sin precedentes para los CD basados ​​en AI.

Justificación y objetivos específicos {6b} Este estudio estudiará rigurosamente un nuevo enfoque de IA para predecir el riesgo de HA-VTE y la prevención guía. Este ensayo producirá una fuerte evidencia del uso pragmático de nuevos AI-CD para evitar HA-Vte en diversos sitios y poblaciones.

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).

Implementaremos una puntuación de riesgo validada, VTE-AI, 5 que no requiere que calcule la entrada del médico, para impulsar CD que sugieren una reconsideración de la profilaxis de la TVP en aquellos que 1) no tienen una profilaxis activa ordenada y 2) no tienen contraindicación para la profilaxis farmacológica. Este "empuje" CDS ocurrirá después de que se hayan presentado órdenes de admisión para ingresos hospitalarios y en cada día posterior de un encuentro hospitalario.

El estándar de atención actual es un conjunto de pedidos que requiere un cálculo manual de la herramienta de riesgo PADUA 8 y la selección de una opción de profilaxis o documentación de una excepción temporal o permanente. Evaluaremos la efectividad del apoyo a la decisión clínica (CDS) impulsado por VTE-AI frente a la orden de profilaxis DVT/TEV estándar establecida para reducir la incidencia de HA-VTE en las dimensiones urbanas/rurales. Llevaremos a llevar un ECA pragmático de CD impulsados ​​por VTE-AI aleatorizando la mitad de los encuentros elegibles para los CD y la mitad al estándar de atención.

Objetivos {7} Objetivo principal La hipótesis de CD reducirá la incidencia de HA-VTE en aquellos i) predichos a alto riesgo por TEV-AI y II) sin evidencia de profilaxis farmacológica en la mitad, desde la incidencia de 4.3% de inicio (562/12,946 eventos) hasta 2.2% de incidencia, que requerirá 2,236 enjuntas. El cálculo del tamaño de la muestra indica que se necesitan al menos 1,118 encuentros de pacientes en cada brazo para lograr un 80% de potencia con un 5% de probabilidad de error tipo I. Utilizando datos históricos de 2023-2024, vemos recuentos de encuentros de 150-230 encuentros por mes que cumplen con estos criterios. Por lo tanto, llevaremos a cabo el ECA por un (1) año para cumplir con el tamaño de la muestra requerido.

El objetivo secundario hipotetizamos que los CD de VTE-AI no aumentarán el riesgo de sangrado, las tasas de reingreso o las longitudes de estadía (LOS) entre las armas de intervención y no intervención.

Diseño de prueba {8} ECA de dos brazos con aleatorización a nivel de encuentro.