ED 医師による患者の気質の評価に対する予測モデルの影響

具体的な目的/目的:

1. 三次学術小児科病院での受診から 1 時間以内に、入院のモデル予測を共有したことによる主治医の患者の性質の評価への影響を測定します。
2. 三次学術小児科病院での受診から 1 時間以内に、サブグループのパフォーマンスが同等になるように調整されたモデルからのモデル予測の共有が、主治医による患者の気質の評価に及ぼす影響を測定します。

背景と意義:

機械学習 (ML) モデルは、医療チームに臨床意思決定サポート (CDS) を提供する機会が増えており、予測される健康上のニーズと結果に基づいて特定のケアを個人に優先順位を付けるのに役立ちます。 AI/ML 手法は、米国全土の救急部門 (ED) のリソース割り当てに特に大きな影響を与える可能性があり、医学研究所は過剰能力の「限界点に近づいている」と述べています。 残念ながら、投資を取り消された部分母集団では、母集団全体と比較してモデルのパフォーマンスが低下することがよくあります。 結果として、ML モデルは、特にモデルが複数のケアセンターに拡張された場合やサブグループのモニタリングを長期間行わずに使用された場合、疎外された患者部分母集団に対するパフォーマンスが低下し、下流の健康格差を悪化させる可能性があります。

近年、ED による患者の傾向を予測するために多くの予測モデルが開発されており、その中には私たちのグループが開発し、現在ボストン小児病院、サウスショア病院、ロサンゼルス小児病院で試験段階にある予測ツールも含まれます。 当社の予測ツールである患者配置予測 (POPP) は、来院時の電子医療記録にあるデータに基づいて、入院の正確なリアルタイムの可能性を提供します。 入院の可能性を事前に通知すると、救急外来の待ち時間と搭乗時間に重要な影響を与える可能性があり、診察の流れと患者の満足度が向上する可能性があります。

この目的を達成するために、調査チームは国立医学図書館 (NLM) に助成金提案 [1R01LM014300 - 01A1] を提出し、患者入院の公平性を意識した予測モデルの開発と検証を研究しました。 この助成金の目的 2 は、患者の気質に関する ED 医師の評価に対するこれらのモデルの影響を研究するもので、このプロトコルに対応しています。 NLM はこの提案に資金を提供する意向を示しており、調査員は賞を最終決定するための書類を提出しているところです。 研究のこのコンポーネントは、研究の 3 年目に予定されています。

予備調査

研究者らは一連の初期遡及研究を実施し、機械学習モデルを使用してBCH EDで事前に、訪問中に段階的に、さらに他の医療センター全体で患者の入院を良好な精度で予測できることを確立した（AUROC 0.9-0.93）。 。

次に、研究者らは、入院の可能性を予測する際の POPP の精度が、ED 担当医師のゲシュタルト評価に付加価値をもたらすことを発見しました。 入院予測の陽性的中率は臨床医で 66%、POPP で 73%、両者を組み合わせたハイブリッド モデルで 86% でした。

最後に、研究者らは、ED 予測モデルを後処理して、人種、性別、保険商品によって定義される患者の人口統計グループ全体で適切に調整される方法を開発しました。

モデル予測は現在、ベッドの調整を支援するために使用されていますが、その価値が高いため、ベッドサイドでの意思決定も改善される可能性があります。 この研究での私たちの目標は、モデルの推奨事項が ED 担当医師による入院の可能性の評価にどのような影響を与えるかを、シミュレートされた安全かつ現実的な設定でテストすることです。