Ennustavan mallin vaikutus ED-lääkärin arviointeihin potilaan disposition

Erityiset tavoitteet/tavoitteet:

1. Mittaa vastaanottomalliennusteen jakamisen vaikutus hoitavan lääkärin arvioon potilaan taipumuksesta tunnin sisällä esittelystä korkea-asteen akateemisessa lastensairaalassa.
2. Mittaa mallien ennusteen jakamisen vaikutusta mallista, joka on viritetty tasaiseen alaryhmän suorituskykyyn, hoitavan lääkärin arvioon potilaan taipumuksesta tunnin sisällä esittelystä korkea-asteen akateemisessa lastensairaalassa.

Tausta ja merkitys:

Koneoppimismallit (ML) tarjoavat yhä enemmän hoitotiimeille kliinistä päätöstukea (CDS) auttaakseen yksilöitä priorisoimaan tiettyä hoitoa heidän ennustettujen terveystarpeidensa ja tulosten perusteella. AI/ML-menetelmillä voi olla erityisen suuri vaikutus resurssien allokointiin ensiapuosastoilla (ED:t) kaikkialla Yhdysvalloissa, joiden lääketieteen instituutti on kuvannut ylikapasiteetin "lähellä murtumispistettä". Valitettavasti mallit toimivat usein huonosti investoimattomissa osapopulaatioissa suhteessa koko väestöön. Seurauksena on, että ML-mallit voivat pahentaa loppupään terveyseroja, koska ne toimivat huonommin syrjäytyneissä potilasalaryhmissä, varsinkin kun malleja laajennetaan useisiin hoitokeskuksiin ja/tai niitä käytetään ilman alaryhmien seurantaa pitkiä aikoja.

Viime vuosina on kehitetty monia ennustemalleja potilaan tilan ennustamiseksi ED:stä, mukaan lukien ryhmämme kehittämä ennustetyökalu, joka on tällä hetkellä pilottivaiheessa Bostonin lastensairaalassa, South Shore Hospitalissa ja Los-Angelesin lastensairaalassa. Ennustetyökalumme POPP (Predictor of Patient Placement) tarjoaa tarkan, reaaliaikaisen sisäänpääsyn todennäköisyyden käynnin aikana saatavilla olevien sähköisten terveystietojen perusteella. Ennakkoilmoituksella todennäköisistä sisäänpääsyistä voi olla merkittävä vaikutus ED-odotukseen ja lennolle pääsyyn, mikä voi parantaa virtausta ja potilastyytyväisyyttä.

Tätä tarkoitusta varten tutkimusryhmä on jättänyt National Library of Medicine (NLM) -avustusehdotuksen [1R01LM014300 - 01A1], joka tutkii potilaiden vastaanottoon liittyvien oikeudenmukaisuustietoisten ennustemallien kehittämistä ja validointia. Tämän apurahan tavoitteessa 2 tutkitaan näiden mallien vaikutusta ED-lääkäreiden arvioihin potilaan taipumuksesta, ja se vastaa tätä protokollaa. NLM on ilmoittanut aikovansa rahoittaa tämän ehdotuksen, ja tutkijat ovat parhaillaan toimittamassa asiakirjoja palkinnon viimeistelemiseksi. Tämä tutkimuksen osa on suunniteltu tutkimuksen vuodelle 3.

Alustavat tutkimukset

Tutkijat suorittivat joukon alustavia retrospektiivisiä tutkimuksia, joissa todettiin, että potilaiden vastaanotto voitiin ennustaa koneoppimismalleilla etukäteen BCH ED:ssä, asteittain käynnin aikana sekä muissa lääketieteellisissä keskuksissa hyvällä tarkkuudella (AUROC 0,9-0,93). .

Seuraavaksi tutkijat havaitsivat, että POPP:n tarkkuus ennustettaessa pääsyn todennäköisyyttä lisäsi arvoa ED-hoitolääkäreiden gestalt-arviointiin. Positiivinen ennustearvo hoitoon pääsyn ennusteelle oli 66 % kliinikoille, 73 % POPP:lle ja 86 % hybridimallille, jossa nämä kaksi yhdistettiin.

Lopuksi tutkijat kehittivät menetelmiä ED-ennustemallien jälkikäsittelyyn, jotta ne olisivat hyvin kalibroituja rodun, sukupuolen ja vakuutustuotteen mukaan määritellyissä potilaiden väestöryhmissä.

Mallin ennusteita käytetään tällä hetkellä auttamaan sänkykoordinaatiossa, mutta niiden korkean arvon vuoksi ne voivat myös parantaa päätöksentekoa sängyn vieressä. Tällä tutkimuksella tavoitteemme on nyt testata simuloidussa, turvallisessa ja realistisessa ympäristössä, kuinka mallisuositukset vaikuttavat ED-hoitolääkäreiden arvioihin pääsyn todennäköisyydestä.