Sairaalapotilaiden riskien nopea diagnostiikka koneoppimisen avulla

Tämän ehdotuksen tavoitteena on ottaa nopeasti käyttöön kliinisen päätöksenteon tukityökalu (eCARTv5) useiden lääketieteellisten ja kirurgisten yksiköiden sähköisessä sairauskertomuksessa. eCART yhdistää reaaliaikaisen koneoppimisalgoritmin potilaiden tunnistamiseen, joilla on lisääntynyt riski tehohoitoon (ICU) siirtymiseen ja kuolemaan, ja kliinisiä reittejä standardoidakseen näiden potilaiden hoidon reaaliaikaisen, kvantitatiivisen potilaan riskin arvioinnin perusteella.

Tutkijat olettavat, että tällaisen työkalun käyttöönotto vähentää hengityslaitteen käyttöä, oleskelun kestoa ja kuolleisuutta korkean riskin sairaalahoidossa olevilla aikuisilla.

Tausta:

Kliininen tilanne heikkenee noin 5 %:lla sairaalahoidossa olevista aikuisista. Viivästykset heikkenemisen tunnustamisessa lisäävät haitallisten seurausten riskiä. Koneoppimisalgoritmit tehostavat kliinistä päätöksentekoa ja voivat parantaa potilaiden hoidon laatua. Niiden vaikutus kliinisiin tuloksiin ei kuitenkaan riipu pelkästään algoritmin herkkyydestä ja spesifisyydestä, vaan myös siitä, kuinka hyvin tämä algoritmi on integroitu palveluntarjoajan työnkulkuihin ja helpottaa oikea-aikaista ja asianmukaista interventiota.

Alustavat tiedot:

eCART on rakennettu yli vuosikymmenen jatkuvan tieteellisen tutkimuksen pohjalle ja se on kuvattu lukuisissa vertaisarvioiduissa julkaisuissa. eCARTin kehitti Chicagon yliopistossa Dr. Dana Edelson ja Matthew Churpek. Ensimmäinen versio (eCARTv1) johdettiin ja validoitiin käyttämällä lineaarista logistista regressiota tietojoukossa, joka sisälsi lähes 60 000 aikuista osastopotilasta yhdestä terveyskeskuksesta. Tässä mallissa oli 16 muuttujaa, ja se validoitiin myöhemmin äänettömässä tilassa, mikä osoitti, että eCART pystyi varoittamaan kliinikot yli 24 tuntia ennen tehohoitoyksikön siirtoa tai sydämenpysähdystä. eCARTv2, joka on johdettu ja validoitu lähes 270 000 potilaan tietojoukossa viidestä sairaalasta, paransi aiempaa versiota käyttämällä kuutiospliinilogistista regressiomallia, jossa on 27 muuttujaa, ja osoitti parantuneen tarkkuuden verrattuna yleisesti käytettyyn pistemäärään Modified Early Warning Score (MEWS). jonka sairaanhoitajat voivat laskea käsin sängyn vieressä (AUC 0,77 vs. 0,70 sydämenpysähdyksen, teho-osaston siirron tai kuoleman osalta). Monikeskustutkimuksessa kliinisessä toteutustutkimuksessa eCARTv2:n suhteellinen kuolleisuusriski pieneni 29 %. eCARTin jatkokehityksessä Chicagon yliopiston tutkimusryhmä osoitti, että päivittäminen kuutiospliinimallista koneoppimismalliin, kuten satunnaiseen metsään tai gradienttitehostettuun koneeseen (GBM), voisi lisätä AUC:tä. Viimeisimmässä kehityksessä - eCART v5 - tutkimusryhmä on kehittänyt analytiikkaa käyttämällä gradienttitehostettua koneoppimismallia, joka on koulutettu yli 800 000 potilastietueen monikeskuksen tietojoukolle. Nyt 97 muuttujalla tämä kehittyneempi malli lisää tarkkuutta, jolla kliinikot voivat ennustaa kliinisen tilanteen heikkenemistä.