Sepsis Watchin käyttöönotto ja arvioinnit

Sepsis on merkittävä taakka terveydenhuoltojärjestelmälle. Kansalliset ennusteet arvioivat 751 000 vakavaa sepsistapausta vuodessa, mikä lisääntyy 1,5 prosentilla. Sepsiksen osuus sairaalan kokonaiskustannuksista on yli 23 miljardia dollaria kaikilta maksajilta, ja se edustaa lähes 4 prosenttia kaikista sairaalahoidoista. Kuusi prosenttia kaikista kuolemista Yhdysvalloissa voidaan johtua sepsiksestä. Protokollapohjaiset hoitopaketit parantavat kliinisiä tuloksia, mutta edellyttävät sepsiksen varhaista ja tarkkaa havaitsemista. Valitettavasti sepsiksen varhainen tunnistaminen on vaikeaa jopa kokeneille kliinikoille, mikä johtaa diagnostiseen epävarmuuteen.

Diagnostisen konsensuksen parantamiseksi työryhmä sopi vuonna 2016 uudesta sepsiksen määritelmästä. Työryhmään kuului myös uusi riskien kerrostustyökalu varhaisen tunnistamisen parantamiseksi, nopean sepsikseen liittyvän elinten vajaatoiminnan arviointimallin (qSOFA), joka oli tarkempi kuin vanhempi systeeminen tulehdusreaktiooireyhtymä (SIRS) haitallisten kliinisten tulosten ennustamisessa. Kuitenkin johtuen pääteelinten toimintahäiriöstä, uutta määritelmää on kritisoitu sen sepsiksen havaitsemisesta myöhään kliinisen kulun aikana. Ennustavaan analytiikkaan perustuvat kliiniset päätöksentekotyökalut voivat tarjota käyttökelpoista tietoa ja parantaa diagnostista tarkkuutta erityisesti sepsisissä.

Julkaistussa kirjallisuudessa on kuvattu useita ennakkovaroitustyökaluja, jotka perustuvat ennustavaan analytiikkaan ja suuriin tietokokonaisuuksiin. Yksi esimerkki on National Early Warning Score (NEWS), joka kehitettiin syrjimään potilaita, joilla on sydänpysähdys, suunnittelematon tehohoitoon pääsy tai kuolema. Pisteet, kuten NEWS, ovat tyypillisesti laaja-alaisia, eikä niitä ole suunniteltu erityisesti sepsikseen. Ne ovat myös käsitteellisesti yksinkertaisia, koska ne käyttävät vain pientä määrää muuttujia ja vertaavat niitä normaaleihin vaihteluväliin yhdistelmäpisteiden luomiseksi. Antaessaan riippumattomia pisteitä kullekin muuttujalle ja käyttämällä vain viimeisintä arvoa, ne molemmat jättävät huomioimatta muuttujien väliset monimutkaiset suhteet ja niiden ajallisen kehityksen.

Aikaisemmassa työssämme ryhmämme kehitti viitekehyksen monimuuttujaisten aikasarjojen mallintamiseksi käyttämällä moniajo Gaussin prosesseja, ottamalla huomioon suuren epävarmuuden, usein puuttuvat arvot ja epäsäännölliset näytteenottotiheydet, jotka tyypillisesti liittyvät todellisiin kliinisiin tietoihin, voidaan lukea aikaisemmasta työstämme. Koneoppimismenetelmämme on parempi kuin muut sepsiksen havaitsemismallit, jotka käyttävät perinteistä analytiikkaa ja koneoppimistekniikoita. Mukautettu verkkosovellus, Sepsis Watch, esittää riskipisteet sekä asiaankuuluvat potilastiedot ja kehottaa käyttäjää arvioimaan potilasta edelleen ja aloittamaan hoidon tarvittaessa. Sepsis Watch -järjestelmää ottavat nyt käyttöön Duke University Hospitalin kliiniset toiminnot.

Tutkimuksessamme käytetään peräkkäistä tutkimussuunnitelmaa Duke University Hospitalin ensiapuosastolla. Tutkimuksemme koskevat palot A, B, C ja Resuscitation Bay. Operatiivista hanketta ei toteuteta psykiatrian siivessä, nopeutettuna, triaasissa tai missään potilaskohtaamisissa. Toimintaprojekti ja siten myös opintojaksomme perustuu kaksivaiheiseen käyttöönottoon:

• 1. vaihe: Ennakoiva malli ilmoittaa nopean toiminnan tiimille kojelaudan kautta. Sairaanhoitaja ilmoittaa ryhmälle sepsisriskistä ja antaa hoitosuosituksen ensisijaiselle ryhmälle ja ensisijainen ryhmä tekee tilaukset. Nopean toiminnan tiimin sairaanhoitaja dokumentoi arvioinnin ja tehdyt toimenpiteet sähköisessä sairauskertomuksessa.
• 2. vaihe: Vaiheeseen 1 integroidun työnkulun parantaminen ja optimointi. Yksi työnkulun parannus on tilausprotokollan ja -prosessin kehittäminen, jonka avulla nopean toiminnan tiimi voi tehdä tilauksia potilaille, jotka katsotaan sopiviksi sepsiksen hoitoon. Toinen työnkulun parannus sisältää kliinikon palautteen ja auditointiraportin kehittämisen, joka lähetettäisiin etulinjan henkilökunnalle sepsispaketin vaatimustenmukaisuusmittauksissa.

Potilastulosmittausten tarkkailun lisäksi ehdotamme ylimääräistä sekamenetelmien tutkimuskomponenttia, jotta saadaan monipuolisempaa tietoa varhaisvaroitusjärjestelmän vaikutuksista kliinikon tilannetietoisuuteen, päätöksentekoon ja työnkulkuun. Tämä osa tutkimuksemme sisältää (1) tietojen keräämisen kliinisiltä puolistrukturoitujen haastattelujen, kyselyiden ja havaintojen avulla (2) näiden tietojen analysoinnin ja asiaankuuluvien mallien ja oivallusten tunnistamisen. Asiaankuuluvia kliinikkoja ovat muun muassa nopean toiminnan ryhmän sairaanhoitajat, ensiapuosaston (ED) sairaanhoitajat ja ED-lääkärit. Nämä haastattelut suoritetaan kolmella kierroksella toteutusjakson aikana: ennen 1. haaraa, 1. haaran jälkeen ja 2. haaran jälkeen. Kliinikoille suoritetaan sähköisiä tutkimuksia 1. ja 2. haaran lopussa. Havainnot tehdään 1. ja 2. haaran aikana.

Haastattelujen, kyselyjen ja havaintojen tavoitteena on (1) arvioida varhaisvaroitusjärjestelmän vaikutusta kliinikon tilannetietoisuuteen ja päätöksentekoon, (2) ymmärtää, miten varhaisvaroitusjärjestelmä sopii kliinisen työnkulkuun, ja , (3) tunnistaa mahdollisuudet parantaa varhaisvaroitusjärjestelmän täytäntöönpanoa tulevaa laajentamista varten.

Järjestämme haastattelut tilannetietoisuusmallin mukaan, jossa erotetaan 3 tilannetietoisuuden tasoa: 1) oleellisen tiedon havainnointi, 2) tiedon ymmärtäminen ja 3) tulevien tapahtumien ennakointi näiden tietojen perusteella. Haastattelujen, havaintojen ja kyselyiden kautta toivomme myös saavamme lisätietoja kliinikoiden käsityksistä ja vuorovaikutuksista varhaisvaroitusjärjestelmän kanssa sekä sen muutoksista nykyiseen ensiapuosaston työnkulkuun sepsiksen diagnosoinnissa ja hallinnassa. Data-analyysi tehdään New Yorkissa sijaitsevan Data & Societyn, datakeskeisen teknologian kehityksen sosiaalisiin ja kulttuurisiin kysymyksiin keskittyvän tutkimuslaitoksen koulutettujen kvalitatiivisten tutkijoiden avustuksella.