Leerwaarschuwingen voor acuut nierletsel

Acuut nierletsel (AKI) brengt een aanzienlijk, onafhankelijk risico op mortaliteit met zich mee onder gehospitaliseerde patiënten, maar ondanks het verband met slechte klinische resultaten, is AKI asymptomatisch en wordt het vaak over het hoofd gezien door clinici, met minder dan de helft van alle AKI-patiënten met documentatie van het syndroom in het elektronische medische dossier, dat werd geassocieerd met lagere percentages van AKI klinische best practices.

Onze onderzoeksgroep heeft onlangs een grootschalige multicenter gerandomiseerde gecontroleerde studie uitgevoerd van elektronische waarschuwingen voor AKI in het hele Yale New Haven Health System van 2018 tot 2020 (ELAIA-1). Onze studie toonde aan dat het waarschuwen van artsen voor de aanwezigheid van AKI over het algemeen geen verschil aantoonde in de snelheid van onze primaire uitkomst van progressie van AKI, dialyse of overlijden, ondanks de waarschuwing die leidde tot veranderingen in het zorgproces, zoals het meten van creatinine en urineonderzoek. Er was echter een aanzienlijke heterogeniteit tussen de onderzoekslocaties. De proliferatie van waarschuwingssystemen die niet effectief zijn, kan leiden tot het fenomeen van waarschuwingsmoeheid, waarbij zorgverleners de neiging hebben om waarschuwingen te negeren in een omgeving met hoge waarschuwingen, en dit kan schadelijke gevolgen hebben voor de patiëntenzorg. Verder kan, gezien de zeer heterogene aard van AKI, een meer gepersonaliseerde benadering van AKI-waarschuwingen gerechtvaardigd zijn.

Uplift-modellering, vaak gebruikt in marketing, is een nieuw concept op medisch gebied en heeft tot doel fenotypische kenmerken te bepalen die een reactie (voordeel of nadeel) op een bepaalde interventie voorspellen. Op deze manier worden patiënten geïdentificeerd die naar verwachting het meeste baat zullen hebben bij een interventie, en bij voorkeur gericht. Uplift-modellering van waarschuwingssystemen heeft het potentieel om de effectiviteit van waarschuwingen te verbeteren door middel van intelligente targeting, en om waarschuwingsmoeheid te verminderen.

In deze studie zullen we onze eerdere AKI-waarschuwingsstudie uitbreiden om prospectief te bepalen of het gebruik van opwaartse modellering om bij voorkeur patiënten te targeten waarvan wordt verwacht dat ze baat zullen hebben bij een AKI-waarschuwing, de tarieven van AKI-progressie, dialyse en overlijden bij gehospitaliseerde patiënten met AKI zal verminderen. Intramurale patiënten in 4 academische ziekenhuizen binnen het YNHH-systeem met AKI, op basis van de Kidney Disease: Improving Global Outcomes (KDIGO) creatininecriteria, worden gerandomiseerd naar een "aanbevolen" groep (waarbij hogere scores waarschuwingen ontvangen en lagere scores geen waarschuwingen ontvangen zoals aanbevolen ) versus een "anti-aanbevolen" groep (met hogere scores die geen waarschuwingen ontvangen en lagere scores die waarschuwingen ontvangen als anti-aanbevolen). De primaire uitkomst zal een samenstelling zijn van AKI-progressie, dialyse of mortaliteit binnen 14 dagen na randomisatie. Secundaire uitkomsten zullen zich richten op AKI-specifieke procesmaatregelen.