Effet du modèle prédictif sur les évaluations des médecins du service d'urgence de l'état du patient

Buts/Objectifs spécifiques :

1. Mesurer l'effet du partage d'un modèle de prédiction d'admission sur l'évaluation par un médecin traitant de l'état du patient dans l'heure suivant la présentation dans un hôpital pédiatrique universitaire tertiaire.
2. Mesurer l'effet du partage d'une prédiction de modèle à partir d'un modèle optimisé pour des performances égales de sous-groupes sur l'évaluation par un médecin traitant de l'état du patient dans l'heure suivant la présentation dans un hôpital pédiatrique universitaire tertiaire.

Contexte et importance :

Les modèles d’apprentissage automatique (ML) fournissent de plus en plus d’aide à la décision clinique (CDS) aux équipes de soins pour les aider à prioriser les individus pour des soins spécifiques en fonction de leurs besoins et résultats de santé prévus. Les méthodes d'IA/ML peuvent avoir un impact particulièrement élevé sur l'allocation des ressources dans les services d'urgence (SU) à travers les États-Unis, qui ont été décrits par l'Institute for Medicine comme « proches du point de rupture » de surcapacité. Malheureusement, les modèles fonctionnent souvent mal sur les sous-populations désinvesties par rapport à la population dans son ensemble. En conséquence, les modèles ML peuvent exacerber les disparités en matière de santé en aval en sous-performant sur les sous-populations de patients marginalisées, en particulier lorsque les modèles sont étendus à plusieurs centres de soins et/ou utilisés sans surveillance de sous-groupes pendant de longues périodes.

De nombreux modèles de prédiction ont été développés ces dernières années pour prédire l'état des patients à l'urgence, y compris un outil de prédiction développé par notre groupe et actuellement en phase pilote à l'hôpital pour enfants de Boston, à l'hôpital de South Shore et à l'hôpital pour enfants de Los Angeles. Notre outil de prédiction, le Predictor of Patient Placement (POPP), fournit une probabilité précise et en temps réel d'admission sur la base des données disponibles dans le dossier de santé électronique au moment de la visite. Un préavis des admissions probables peut avoir un impact important sur les temps d’attente et d’embarquement aux urgences, avec le potentiel d’améliorer le flux et la satisfaction des patients.

À cette fin, l'équipe d'enquête a soumis une proposition de subvention à la National Library of Medicine (NLM) [1R01LM014300 - 01A1] qui recherche le développement et la validation de modèles de prédiction équitables de l'admission des patients. L'objectif 2 de cette subvention étudie l'effet de ces modèles sur les évaluations des médecins urgentistes de la disposition des patients et correspond à ce protocole. Le NLM a indiqué son intention de financer cette proposition et les enquêteurs sont en train de soumettre les documents pour finaliser l'attribution. Cette composante de l'étude est prévue pour la troisième année de l'étude.

Études préliminaires

Les enquêteurs ont mené une série d'études rétrospectives initiales qui ont établi que l'admission des patients pouvait être prédite à l'aide de modèles d'apprentissage automatique dans le BCH ED, progressivement au cours de la visite, ainsi que dans d'autres centres médicaux avec une bonne précision (AUROC 0,9-0,93). .

Ensuite, les enquêteurs ont découvert que l'exactitude du POPP dans la prévision de la probabilité d'admission ajoutait de la valeur aux évaluations gestaltistes des médecins traitants aux urgences. La valeur prédictive positive pour la prédiction de l'admission était de 66 % pour les cliniciens, de 73 % pour le POPP et de 86 % pour un modèle hybride combinant les deux.

Enfin, les enquêteurs ont développé des méthodes de post-traitement des modèles de prédiction de dysfonction érectile afin de les rendre bien calibrés sur les groupes démographiques de patients définis par la race, le sexe et le produit d'assurance.

Les prédictions du modèle sont actuellement utilisées pour faciliter la coordination au lit, mais, compte tenu de leur valeur élevée, elles pourraient également améliorer la prise de décision au chevet du patient. Avec cette étude, notre objectif est maintenant de tester, dans un cadre simulé, sûr et réaliste, comment les recommandations du modèle affectent les évaluations de la probabilité d'admission par les médecins traitants des urgences.