Een snelle risicodiagnose bij gehospitaliseerde patiënten met behulp van machine learning

Het doel van dit voorstel is om snel een hulpmiddel voor klinische besluitvorming (eCARTv5) in te zetten binnen het elektronisch medisch dossier van meerdere medisch-chirurgische eenheden. eCART combineert een real-time machine learning-algoritme voor het identificeren van patiënten met een verhoogd risico op overbrenging naar de intensive care (ICU) en overlijden met klinische trajecten om de zorg voor deze patiënten te standaardiseren op basis van een realtime, kwantitatieve beoordeling van het patiëntrisico.

De onderzoekers veronderstellen dat de implementatie van een dergelijke tool gepaard zal gaan met een afname van het gebruik van ventilatoren, de verblijfsduur en de mortaliteit voor volwassenen met een hoog risico die in het ziekenhuis zijn opgenomen.

Achtergrond:

Klinische achteruitgang treedt op bij ongeveer 5% van de in het ziekenhuis opgenomen volwassenen. Vertragingen bij het herkennen van verslechtering verhogen het risico op nadelige gevolgen. Machine learning-algoritmen verbeteren de klinische besluitvorming en kunnen de kwaliteit van de patiëntenzorg verbeteren. Hun impact op de klinische uitkomsten hangt echter niet alleen af ​​van de gevoeligheid en specificiteit van het algoritme, maar ook van hoe goed dat algoritme is geïntegreerd in de workflows van de zorgverlener en tijdige en passende interventie mogelijk maakt.

Voorlopige gegevens:

eCART is gebaseerd op meer dan tien jaar lopend wetenschappelijk onderzoek en is vastgelegd in tal van collegiaal getoetste publicaties. eCART is ontwikkeld aan de Universiteit van Chicago door Drs. Dana Edelson en Matthew Churpek. De eerste versie (eCARTv1) werd afgeleid en gevalideerd met behulp van lineaire logistische regressie in een dataset van bijna 60.000 volwassen afdelingspatiënten uit één enkel medisch centrum. Dat model bevatte 16 variabelen en werd vervolgens gevalideerd in stille modus, wat aantoonde dat eCART clinici meer dan 24 uur van tevoren kon waarschuwen voor een IC-overdracht of een hartstilstand. eCARTv2, afgeleid en gevalideerd in een dataset van bijna 270.000 patiënten uit 5 ziekenhuizen, verbeterde ten opzichte van de eerdere versie door gebruik te maken van een kubisch spline-logistiek regressiemodel met 27 variabelen en verbeterde nauwkeurigheid ten opzichte van de Modified Early Warning Score (MEWS), een veelgebruikte score die met de hand kan worden berekend door verpleegkundigen aan het bed (AUC 0,77 vs. 0,70 voor hartstilstand, overplaatsing op de IC of overlijden). In een klinische implementatiestudie in meerdere centra werd eCARTv2 in verband gebracht met een relatieve risicoreductie van 29% voor mortaliteit. Bij de verdere ontwikkeling van eCART heeft het onderzoeksteam van de Universiteit van Chicago aangetoond dat het upgraden van een kubisch spline-model naar een machine learning-model, zoals een random forest of gradient-boosted machine (GBM), de AUC zou kunnen verhogen. In de meest recente ontwikkeling - eCART v5 - heeft het onderzoeksteam de analyse verbeterd met behulp van een gradiëntversterkt machine learning-model dat is getraind op een multicenter dataset van meer dan 800.000 patiëntendossiers. Dit meer geavanceerde model, nu met 97 variabelen, vergroot de nauwkeurigheid waarmee clinici klinische verslechtering kunnen voorspellen.