응급실 의사의 환자 성향 평가에 대한 예측 모델의 효과

구체적인 목표/목표:

1. 3차 학술 소아과 병원에서 발표 후 1시간 이내에 주치의의 환자 성향 평가에 대한 입원 모델 예측 공유의 효과를 측정합니다.
2. 3차 학술 소아 병원에서 발표 후 1시간 이내에 주치의가 환자 성향을 평가할 때 동일한 하위 그룹 성과를 위해 조정된 모델의 모델 예측 공유 효과를 측정합니다.

배경 및 의의:

기계 학습(ML) 모델은 치료 팀에 CDS(임상 의사 결정 지원)를 점점 더 많이 제공하여 예측된 건강 요구 사항 및 결과를 기반으로 특정 치료에 대한 개인의 우선 순위를 정하는 데 도움을 줍니다. AI/ML 방법은 미국 전역 응급실(ED)의 자원 할당에 특히 큰 영향을 미칠 수 있습니다. 의학 연구소에서는 과잉 수용 능력의 "한계점에 가까워지고 있다"고 설명했습니다. 불행하게도 모델은 인구 전체에 비해 투자되지 않은 하위 모집단에서 제대로 수행되지 않는 경우가 많습니다. 결과적으로, ML 모델은 특히 모델이 여러 치료 센터로 확장되거나 장기간 하위 그룹 모니터링 없이 사용되는 경우 소외된 환자 하위 모집단에 대한 성능이 저하되어 다운스트림 건강 불균형을 악화시킬 수 있습니다.

우리 그룹이 개발하고 현재 보스턴 아동 병원, 사우스 쇼어 병원 및 로스앤젤레스 아동 병원에서 시험 단계에 있는 예측 도구를 포함하여 응급실의 환자 성향을 예측하기 위해 최근 몇 년 동안 많은 예측 모델이 개발되었습니다. 당사의 예측 도구인 환자 배치 예측기(POPP)는 방문 당시 전자 건강 기록에 있는 데이터를 기반으로 정확한 실시간 입원 가능성을 제공합니다. 입원 가능성에 대한 사전 통지는 응급실 대기 및 탑승 시간에 중요한 영향을 미칠 수 있으며 흐름과 환자 만족도를 향상시킬 수 있습니다.

이를 위해 조사팀은 환자 입원의 공정성 예측 모델 개발 및 검증을 연구하는 국립의학도서관(NLM) [1R01LM014300 - 01A1]에 보조금 제안서를 제출했습니다. 이 보조금의 목표 2는 응급실 의사의 환자 성향 평가에 대한 이러한 모델의 효과를 연구하고 이 프로토콜에 해당합니다. NLM은 이 제안에 자금을 지원할 의사가 있음을 밝혔으며 조사관은 보상을 확정하기 위해 문서를 제출하는 과정에 있습니다. 이 연구 구성 요소는 연구 3년차에 예정되어 있습니다.

예비 연구

연구자들은 일련의 초기 후향적 연구를 수행하여 BCH ED에서 기계 학습 모델을 사용하여 방문 중에 점진적으로 환자 입원을 예측할 수 있을 뿐만 아니라 다른 의료 센터에서도 우수한 정확도(AUROC 0.9-0.93)로 예측할 수 있음을 확립했습니다. .

다음으로 연구자들은 입원 가능성 예측에 있어서 POPP의 정확성이 응급실 주치의의 형태 평가에 가치를 더한다는 것을 발견했습니다. 입원 예측에 대한 긍정적인 예측 값은 임상의의 경우 66%, POPP의 경우 73%, 이 둘을 결합한 하이브리드 모델의 경우 86%였습니다.

마지막으로 연구자들은 ED 예측 모델을 인종, 성별, 보험 상품으로 정의된 환자 인구통계학적 그룹 전반에 걸쳐 잘 보정할 수 있도록 후처리하는 방법을 개발했습니다.

모델 예측은 현재 침대 조정을 돕기 위해 사용되지만, 높은 가치를 고려하면 침대 옆에서 의사 결정을 향상시킬 수도 있습니다. 이 연구를 통해 우리의 목표는 이제 시뮬레이션되고 안전하며 현실적인 환경에서 모델 권장 사항이 응급실 주치의의 입원 가능성 평가에 어떤 영향을 미치는지 테스트하는 것입니다.