Studio pilota per l'apprendimento automatico postoperatorio

Sebbene la chirurgia e l'anestesia siano diventate in media molto più sicure, molti pazienti hanno ancora complicazioni dopo l'intervento. È probabile che alcune di queste complicazioni vengano evitate o meno gravi con la diagnosi precoce e il trattamento. Il Barnes-Jewish Hospital ha recentemente iniziato a utilizzare una Anesthesia Control Tower (ACT), che è un gruppo remoto guidato da un anestesista che esamina i dati in tempo reale dalle sale operatorie BJH e chiama il fornitore di anestesia con preoccupazioni per migliorare i tempi di reazione e migliorare l'uso del miglior- pratica trattamenti. L'ACT utilizza anche l'apprendimento automatico (ML) per calcolare i rischi del paziente durante l'intervento chirurgico come un modo per misurare quando il paziente sta facendo meglio o peggio.

Il team di studio sospetta che due meccanismi possano consentire la previsione del rischio per migliorare l'assistenza postoperatoria. In primo luogo, è che potrebbe rendere alcuni dati più utilizzabili per i medici. Sebbene i dati intraoperatori siano estremamente ricchi con molti monitor, eventi di risposta ai farmaci e reazioni di stress chirurgico per rivelare lo stato fisiologico del paziente, tali dati sono anche estremamente specializzati e di difficile accesso. Il team dello studio ritiene che molte volte la corretta interpretazione dei dati intraoperatori o il giusto trattamento da somministrare non sia chiaro fino a quando l'intervento non è quasi terminato. L'équipe medica nella sala di risveglio (unità di cura post-anestesia, PACU) e nei reparti chirurgici è responsabile di decidere la strategia di trattamento, ma non ha accesso alle informazioni dai monitor e dagli eventi intraoperatori. Questi fornitori inoltre non hanno la familiarità per interpretare direttamente tali informazioni e il tempo per rivederle in dettaglio. Anche le informazioni preoperatorie possono essere meno del tutto disponibili perché il paziente potrebbe essere ancora troppo sedato o confuso dall'anestesia per spiegare molto della sua storia. Riassumendo queste diverse fonti di informazioni in un profilo di rischio, i risultati dell'apprendimento automatico possono migliorare direttamente la comprensione degli operatori postoperatori o migliorare l'identificazione dei pazienti a rischio elevato di esiti avversi postoperatori.

Un secondo meccanismo deriva dai cambiamenti di comportamento che possono verificarsi nei fornitori in reazione ai profili di rischio generati dalla macchina. Il team dello studio ha osservato che molti passaggi di consegne dalla sala operatoria e dal PACU includono elenchi di dati "importanti", ma è normale che chi dà il trasferimento non fornisca alcuna interpretazione (a quale problema è correlata questa informazione) o una guida anticipata (avendo identificato un problema potenziale o effettivo, cosa dovrebbe fare il destinatario del trasferimento). Il team di studio ha anche osservato che una volta che un rischio importante è stato chiaramente identificato lungo la catena di trasferimento, tende a propagarsi in avanti con la connessione ai dati sottostanti, a eventuali modifiche rilevate dall'attuale fornitore e al piano attuale. Il team dello studio sospetta che nel sottogruppo di pazienti con previsioni sostanzialmente elevate sul loro profilo di rischio, la comunicazione del passaggio di consegne e il coordinamento del team per i problemi identificati possano migliorare.

L'obiettivo più ampio è distribuire una "pagella" per ogni paziente che riassuma la valutazione preoperatoria e i dati intraoperatori in modo utile per gli operatori postoperatori. In questo studio questi report ML saranno integrati nel flusso di lavoro clinico e determineranno se influisce sul comportamento del trasferimento. Il team dello studio valuterà anche l'effetto delle informazioni e verificherà la sicurezza della pagella determinando se i medici identificano eventuali imprecisioni importanti relative all'implementazione.

Questo studio è un sottostudio di uno studio randomizzato di contatto intraoperatorio ACT (TECTONICS IRB # 201903026) e solo i pazienti nel gruppo di contatto (trattamento) saranno idonei. I pazienti sottoposti a screening saranno tutti gli adulti sottoposti a intervento chirurgico presso BJH con la divisione di chirurgia acuta e in terapia intensiva. I criteri di esclusione sono un ricovero programmato in terapia intensiva. Per ogni paziente incluso, il medico ACT esaminerà le informazioni sulla pagella e i fornitori postoperatori verranno contattati direttamente o riceveranno un avviso Epic Best Practices. Il nostro studio sarà un quasi-esperimento prima-dopo, il che significa che dopo una data fissa, tutti i pazienti idonei riceveranno l'intervento e le misure di esito saranno confrontate con i pazienti prima di tale data. La misura dell'esito che studieremo è l'efficacia del trasferimento dalla sala di recupero ai reparti. I fornitori saranno intervistati sul valore delle informazioni, eventuali elementi imprecisi o omissioni importanti.

La pagella ML non consiglierà trattamenti specifici e le decisioni rimarranno nelle mani del medico nel PACU o nei reparti. Il fornitore postoperatorio riceverà anche informazioni sulla pagella e sui suoi limiti.