AI-aangedreven klinische beslissingsondersteuning om door het ziekenhuis verworven veneuze trombo-embolie te verminderen (VTE-AI gerandomiseerde studie) (VTE-AI RCT)

Achtergrond {6a} ziekenhuis verworven veneuze trombo-embolie (HA-VTE) blijft de belangrijkste doodsoorzaak bij in het ziekenhuis opgenomen patiënten in de VS.1 Ongeveer 900.000 mensen ervaren VTE elk jaar, met op incidentie gebaseerde medische kosten geschat tussen $ 7 en $ 10 miljard per jaar.2 De tweede belangrijkste oorzaak van een handicap-gecorrigeerde levensjaren, HA-VTE veroorzaakt aanzienlijke morbiditeit en mortaliteit bij volwassen en pediatrische patiënten.3 Ongeveer 1 op de 3 mensen ervaart complicaties op lange termijn (d.w.z. post-trombotisch syndroom) na VTE. Het verminderen van HA-VTE vormt een belangrijke diagnostische uitdaging.

Ondanks talloze gepubliceerde prognostische modellen van HA-VTE, presteert geen enkel model beter dan de rest. En HA-VTE beïnvloedt groepen onverenigbaar, wat betekent dat modellen de verschillen in de gezondheidszorg kunnen weerspiegelen of verergeren als ze niet worden ingezet in de context van verantwoordelijke, algoritmovigilant-systemen.4 Het integreren van schaalbare AI voor HA-VTE-preventie in effectieve klinische beslissingsondersteuning (CDS) kan de incidentie van HA-VTE effectief verminderen en tegelijkertijd de realisatie van het potentieel voor AI in hoogwaardige klinische praktijk helpt. Onlangs gevalideerde een Vanderbilt-team van clinici en biostatistici een regressierisico-score genaamd "VTE-AI" om het risico van HA-VTE op toelating te voorspellen.5 De kloof tussen stedelijke platteland heeft al lang de verschillen in de gezondheidszorg veroorzaakt in morbiditeit en mortaliteit.6 Deze verschillen kunnen niet het gevolg zijn van de rivaliteit zelf, maar van "de effecten van sociaal-economisch nadeel, etniciteit, slechtere beschikbaarheid van services, hogere niveaus van persoonlijk risico en meer gevaarlijke milieu-, beroeps- en transportomstandigheden." 7 AI -implementatie zal niet anders zijn zonder veel aandacht voor verschillen in beide implementatie -instellingen. Het bestuderen van meerdere gelijktijdige implementaties van AI in zowel stedelijke als landelijke setting met volwassen en pediatrische patiënten zal ongekende inzichten opleveren voor AI-aangedreven CD's.

Rationale en specifieke doelen {6b} Deze studie zal rigoureus een nieuwe AI-benadering bestuderen om het risico op HA-VTE te voorspellen en preventie te leiden. Deze studie zal sterk bewijs leveren voor het pragmatische gebruik van nieuwe AI-CD's om HA-VTE te voorkomen op verschillende locaties en populaties.

Het doel van deze studie is om de effectiviteit van AI-gedreven CD's te evalueren om de incidentie van HA-VTE in het Vanderbilt-gezondheidssysteem te verminderen, inclusief stedelijke en landelijke sites: Vanderbilt volwassen ziekenhuis (VUH) en het Vanderbilt Regional Health System (VRHS) inclusief Vanderbilt Tullahoma Harton Hospital (VTHHH), VanderBilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfilt Bedfch), Vanderbch), en Vanderbch), en Vanderbch), en Vanderbch). (VWCH).

We zullen een gevalideerde risicoscore implementeren, VTE-AI, 5 die geen input voor arts vereist om te berekenen, om CD's aan te zetten, wat suggereert dat heroverweging van DVT-profylaxe bij degenen die 1) geen actieve profylaxe hebben geordend en 2) geen contra-indicatie hebben voor farmacologische profylaxis. Deze cd's "dudge" zal plaatsvinden nadat toelatingsopdrachten zijn ingediend voor ziekenhuisopnames en op elke volgende dag van een intramurale ontmoeting.

De huidige zorgstandaard is een orderset die handmatige berekening van de PADUA -risicotool8 en selectie van een profylaxe -optie of documentatie van een tijdelijke of permanente uitzondering vereist. We zullen de effectiviteit van de VTE-AI-aangedreven klinische beslissingsondersteuning (CDS) evalueren tegen de standaard DVT/VTE-profylaxe-orde die is ingesteld om de incidentie van HA-VTE in stedelijke/landelijke dimensies te verminderen. We zullen een pragmatische RCT van VTE-AI-aangedreven CD's uitvoeren die de helft van de in aanmerking komende ontmoetingen naar CD's en de helft van de zorgstandaard willekeurig maken.

Doelstellingen {7} Primaire doelstelling We hypothese CD's zullen de incidentie van Ha-VTE bij die i) vermindert bij een hoog risico door VTE-AI en II) zonder bewijs van farmacologische profylaxe in de helft, van baseline 4,3% incidentie (562/12.946 gebeurtenissen) tot 2,2% incidentie, die 2,236 Encounders vereisen. Berekening van de steekproefgrootte geeft aan dat er in elke arm ten minste 1.118 ontmoetingen van de patiënt nodig zijn om 80% vermogen te bereiken met 5% waarschijnlijkheid van type I -fout. Met behulp van historische gegevens van 2023-2024 zien we ontmoetingen van 150-230 ontmoetingen per maand die aan deze criteria voldoen. We zullen daarom de RCT voor één (1) jaar uitvoeren om te voldoen aan de vereiste steekproefgrootte.

Secundaire doelstelling We veronderstellen de VTE-AI-cd's zullen het bloedingsrisico, overnamecijfers of verblijfsduur (LOS) tussen de interventie en niet-interventiesarmen niet verhogen.

Trial Design {8} Twee Arm RCT met randomisatie op ontmoetingsniveau.