Supporto decisionale clinico basato sull'IA per ridurre il tromboembolismo venoso acquisito in ospedale (studio randomizzato VTE-AI) (VTE-AI RCT)

Background {6a} ospedale acquisito venoso tromboembolismo (HA-VTE) rimane la principale causa di morte nei pazienti ospedalizzati negli Stati Uniti.1 Circa 900.000 persone sperimentano TEV ogni anno, con costi medici basati sull'incidenza stimati tra $ 7 e $ 10 miliardi all'anno.2 La seconda principale causa di anni di vita aggiustata per la disabilità, HA-VTE provoca morbilità e mortalità significative nei pazienti adulti e pediatrici.3 Circa 1 su 3 persone sperimentano complicanze a lungo termine (cioè sindrome post-trombotica) a seguito di TEV. Ridurre HA-VTE presenta un'importante sfida diagnostica.

Nonostante numerosi modelli prognostici pubblicati di HA-VTE, nessun modello singolo supera il resto. E HA-VTE colpisce i gruppi in modo inequivocabile, il che significa che i modelli potrebbero riflettere o peggiorare le disparità di assistenza sanitaria se non sono distribuiti nel contesto di sistemi responsabili e algoritmovigilanti.4 L'integrazione dell'intelligenza artificiale scalabile per la prevenzione di HA-VTE in un efficace supporto decisionale clinico (CDS) potrebbe ridurre efficacemente l'incidenza di HA-VTE, al contempo aiuti alla realizzazione del potenziale per l'IA nella pratica clinica di alto valore. Recentemente, un team Vanderbilt di medici e biostatistici ha convalidato un punteggio di rischio di regressione chiamato "VTE-AI" per prognosticarsi del rischio di HA-VTE al momento dell'ammissione.5 La divisione urbana-rurale ha a lungo causato disparità sanitarie in morbilità e mortalità.6 Queste differenze potrebbero non derivare dalla stessa ruralità, ma dagli "effetti dello svantaggio socio-economico, etnia, disponibilità di servizio più scarsa, livelli più elevati di rischio personale e condizioni ambientali, occupazionali e di trasporto più pericolose". 7 L'implementazione di AI non sarà diversa senza molta attenzione alle differenze in entrambe le impostazioni di distribuzione. Studiare molteplici implementazioni simultanee dell'IA in ambito urbano e rurale con pazienti adulti e pediatrici produrrà approfondimenti senza precedenti per i CD guidati dall'IA.

Razionale e obiettivi specifici {6b} Questo studio studierà rigorosamente un nuovo approccio AI per prevedere il rischio di HA-VTE e prevenzione della guida. Questo studio produrrà forti prove per l'uso pragmatico di nuovi AI-CD per prevenire HA-VTE in diversi siti e popolazioni.

L'obiettivo di questo studio è di valutare l'efficacia dei CD guidati dall'IA per ridurre l'incidenza di HA-VTE attraverso il sistema sanitario Vanderbilt, compresi i siti urbani e rurali: Vanderbilt Adull Hospital (Vuh) e Vanderbilt Regional Health System (Vanderbilt WILSHS) (VWCH).

Implementeremo un punteggio di rischio convalidato, VTE-AI, 5 che non richiede il calcolo del clinico, per spingere i CDS che suggeriscono la riconsiderazione della profilassi DVT in coloro che 1) non hanno una profilassi attiva ordinata e 2) non hanno alcuna controindicazione alla prophylassi farmacologica. Questo CDS "Noudge" avverrà dopo che gli ordini di ammissione sono stati presentati per le ammissioni ospedaliere e in ogni giorno successivo di un incontro ospedaliero.

L'attuale standard di cura è un set di ordini che richiede il calcolo manuale dello strumento di rischio Padova8 e la selezione di un'opzione di profilassi o la documentazione di un'eccezione temporanea o permanente. Valuteremo l'efficacia del supporto decisionale clinico (CDS) guidato da VTE-AI rispetto all'ordine di profilassi DVT/VTE standard impostato per ridurre l'incidenza di HA-VTE tra le dimensioni urbane/rurali. Condurremo un RCT pragmatico di CD guidati da VTE-AI randomizzando metà degli incontri ammissibili ai CD e metà secondo lo standard di cura.

Obiettivi {7} Obiettivo primario Ipotizziamo i CD ridurranno l'incidenza di HA-VTE in quelli i) previsti ad alto rischio da VTE-AI e II) senza prove di profilassi farmacologica a metà, dall'incidenza del 4,3% di base (562/12.946 eventi) a incidenza del 2,2%, che richiederà 2.66 incontri. Il calcolo della dimensione del campione indica almeno 1.118 incontri dei pazienti in ciascun braccio per ottenere una potenza dell'80% con probabilità del 5% di errore di tipo I. Utilizzando dati storici dal 2023-2024, vediamo conteggi di incontri di 150-230 incontri al mese che soddisfano questi criteri. Condurremo quindi l'RCT per un (1) anno per soddisfare la dimensione del campione richiesta.

Obiettivo secondario Ipotizziamo che i CD VTE-AI non aumenteranno il rischio di sanguinamento, i tassi di riammissione o le lunghezze di permanenza (LOS) tra l'intervento e le armi non intervention.

Design di prova {8} RCT a due bracci con randomizzazione a livello di incontro.