Un diagnostic rapide du risque chez les patients hospitalisés à l'aide de l'apprentissage automatique

L'objectif de cette proposition est de déployer rapidement un outil d'aide à la décision clinique (eCARTv5) au sein du dossier de santé électronique de plusieurs unités médico-chirurgicales. eCART combine un algorithme d'apprentissage automatique en temps réel pour identifier les patients à risque accru de transfert en soins intensifs (USI) et de décès avec des parcours cliniques pour normaliser les soins de ces patients sur la base d'une évaluation quantitative en temps réel du risque du patient.

Les chercheurs émettent l'hypothèse que la mise en œuvre d'un tel outil sera associée à une diminution de l'utilisation des ventilateurs, de la durée du séjour et de la mortalité chez les adultes hospitalisés à haut risque.

Arrière-plan:

Une détérioration clinique survient chez environ 5 % des adultes hospitalisés. Les retards dans la reconnaissance de la détérioration augmentent le risque de résultats défavorables. Les algorithmes d'apprentissage automatique améliorent la prise de décision clinique et peuvent améliorer la qualité des soins aux patients. Cependant, leur impact sur les résultats cliniques dépend non seulement de la sensibilité et de la spécificité de l'algorithme, mais également de la manière dont cet algorithme est intégré dans les flux de travail des prestataires et facilite une intervention opportune et appropriée.

Données préliminaires:

eCART s'appuie sur plus d'une décennie de recherches scientifiques en cours et fait l'objet de nombreuses publications évaluées par des pairs. eCART a été développé à l'Université de Chicago par les Drs. Dana Edelson et Matthew Churpek. La première version (eCARTv1) a été dérivée et validée à l'aide d'une régression logistique linéaire dans un ensemble de données de près de 60 000 patients adultes d'un même centre médical. Ce modèle contenait 16 variables et a ensuite été validé en mode silencieux, démontrant qu'eCART pouvait alerter les cliniciens plus de 24 heures avant un transfert en USI ou un arrêt cardiaque. eCARTv2, dérivé et validé dans un ensemble de données de près de 270 000 patients de 5 hôpitaux, a amélioré la version précédente en utilisant un modèle de régression logistique à spline cubique avec 27 variables et a démontré une précision améliorée par rapport au score d'alerte précoce modifié (MEWS), un score couramment utilisé qui peut être calculée manuellement par les infirmières au chevet du patient (AUC 0,77 contre 0,70 pour un arrêt cardiaque, un transfert aux soins intensifs ou un décès). Dans une étude de mise en œuvre clinique multicentrique, eCARTv2 a été associé à une réduction de 29 % du risque relatif de mortalité. Dans le cadre du développement ultérieur d'eCART, l'équipe de recherche de l'Université de Chicago a démontré que la mise à niveau d'un modèle de spline cubique vers un modèle d'apprentissage automatique, tel qu'une forêt aléatoire ou une machine à gradient boosté (GBM), pouvait augmenter l'AUC. Dans le développement le plus récent - eCART v5 - l'équipe de recherche a fait progresser l'analyse en utilisant un modèle d'apprentissage automatique à gradient renforcé formé sur un ensemble de données multicentrique de plus de 800 000 dossiers de patients. Maintenant avec 97 variables, ce modèle plus sophistiqué augmente la précision avec laquelle les cliniciens peuvent prédire la détérioration clinique.