Una diagnostica rapida del rischio nei pazienti ospedalizzati utilizzando l'apprendimento automatico

L'obiettivo di questa proposta è di implementare rapidamente uno strumento di supporto alle decisioni cliniche (eCARTv5) all'interno del fascicolo sanitario elettronico di più presidi medico-chirurgici. eCART combina un algoritmo di apprendimento automatico in tempo reale per identificare i pazienti ad aumentato rischio di trasferimento in terapia intensiva (ICU) e morte con percorsi clinici per standardizzare la cura di questi pazienti sulla base di una valutazione quantitativa in tempo reale del rischio del paziente.

I ricercatori ipotizzano che l'implementazione di tale strumento sarà associata a una diminuzione dell'utilizzo del ventilatore, della durata della degenza e della mortalità per gli adulti ospedalizzati ad alto rischio.

Sfondo:

Il deterioramento clinico si verifica in circa il 5% degli adulti ospedalizzati. I ritardi nel riconoscimento del deterioramento aumentano il rischio di esiti avversi. Gli algoritmi di apprendimento automatico migliorano il processo decisionale clinico e possono migliorare la qualità dell'assistenza ai pazienti. Tuttavia, il loro impatto sui risultati clinici dipende non solo dalla sensibilità e dalla specificità dell'algoritmo, ma anche dal modo in cui tale algoritmo è integrato nei flussi di lavoro del fornitore e facilita un intervento tempestivo e appropriato.

Dati preliminari:

eCART è stato costruito su più di un decennio di ricerca scientifica in corso e raccontato in numerose pubblicazioni peer-reviewed. eCART è stato sviluppato presso l'Università di Chicago dai Drs. Dana Edelson e Matthew Churpek. La prima versione (eCARTv1) è stata derivata e convalidata utilizzando la regressione logistica lineare in un set di dati di quasi 60.000 pazienti di reparto adulti di un singolo centro medico. Quel modello conteneva 16 variabili ed è stato successivamente convalidato in modalità silenziosa, dimostrando che l'eCART poteva avvisare i medici con più di 24 ore di anticipo rispetto al trasferimento in terapia intensiva o all'arresto cardiaco. eCARTv2, derivato e convalidato in un set di dati di quasi 270.000 pazienti provenienti da 5 ospedali, è migliorato rispetto alla versione precedente utilizzando un modello di regressione logistica spline cubica con 27 variabili e ha dimostrato una maggiore accuratezza rispetto al Modified Early Warning Score (MEWS), un punteggio comunemente usato che possono essere calcolati manualmente dagli infermieri al capezzale (AUC 0,77 vs. 0,70 per arresto cardiaco, trasferimento in terapia intensiva o decesso). In uno studio multicentrico di implementazione clinica, eCARTv2 è stato associato a una riduzione del rischio relativo di mortalità del 29%. Nell'ulteriore sviluppo di eCART, il team di ricerca dell'Università di Chicago ha dimostrato che l'aggiornamento da un modello spline cubico a un modello di apprendimento automatico, come una foresta casuale o una macchina a gradiente potenziato (GBM), potrebbe aumentare l'AUC. Nello sviluppo più recente - eCART v5 - il team di ricerca ha avanzato l'analitica utilizzando un modello di apprendimento automatico potenziato dal gradiente addestrato su un set di dati multicentrico di oltre 800.000 record di pazienti. Ora con 97 variabili, questo modello più sofisticato aumenta la precisione con cui i medici possono prevedere il deterioramento clinico.