Pilotstudie for postoperativ maskinlæring

Selv om operasjon og anestesi har blitt mye tryggere i gjennomsnitt, opplever mange pasienter fortsatt komplikasjoner etter operasjonen. Noen av disse komplikasjonene vil sannsynligvis unngås eller mindre alvorlige med tidlig oppdagelse og behandling. Barnes-Jewish Hospital har nylig begynt å bruke et Anesthesia Control Tower (ACT), som er en ekstern gruppe ledet av en anestesilege som gjennomgår live data fra BJH operasjonsrom og ringer anestesileverandøren med bekymringer for å forbedre reaksjonstider og forbedre bruken av best- praktiserer behandlinger. ACT bruker også maskinlæring (ML) for å beregne pasientrisiko under operasjon som en måte å måle når pasienten har det bedre eller dårligere.

Studieteamet mistenker at to mekanismer kan tillate risikoprediksjon for å forbedre postoperativ behandling. For det første er det at det kan gjøre noen data mer handlingsdyktige for klinikere. Selv om intraoperative data er ekstremt rike med mange monitorer, medikamentresponshendelser og kirurgiske stressreaksjoner for å avsløre den fysiologiske tilstanden til pasienten, er disse dataene også ekstremt spesialiserte og vanskelig tilgjengelige. Studieteamet tror at den riktige tolkningen av intraoperative data eller riktig behandling å gi mange ganger ikke er klart før operasjonen er nesten ferdig. Det medisinske teamet i utvinningsrommet (postanestesiavdeling, PACU) og kirurgiske avdelinger er ansvarlig for å bestemme behandlingsstrategien, men de har ikke tilgang til informasjonen fra de intraoperative monitorene og hendelsene. Disse leverandørene mangler også kjennskap til direkte å tolke denne informasjonen og tid til å gjennomgå den i detalj. Selv preoperativ informasjon kan være mindre enn fullt tilgjengelig fordi pasienten fortsatt kan være for bedøvet eller forvirret fra anestesien til å forklare mye om historien sin. Ved å oppsummere disse forskjellige informasjonskildene i en risikoprofil, kan maskinlæringsresultater direkte forbedre forståelsen av postoperative leverandører eller forbedre identifiseringen av pasienter med forhøyet risiko for postoperative uønskede utfall.

En annen mekanisme stammer fra atferdsendringer som kan oppstå hos leverandører som reaksjon på maskingenererte risikoprofiler. Studieteamet har observert mange overleveringer fra operasjonssalen og PACU inkluderer lister over "viktige" data, men det er vanlig at overleveringsgiveren ikke gir noen tolkning (hvilket problem er denne informasjonen relatert til) eller foregripende veiledning (etter å ha identifisert en potensielt eller faktisk problem, hva skal overleveringsmottakeren gjøre). Studieteamet har også observert at når en stor risiko har blitt tydelig identifisert langs kjeden av overlevering, har den en tendens til å spres fremover med kobling til de underliggende dataene, eventuelle endringer som er lagt merke til av den nåværende leverandøren, og den gjeldende planen. Studieteamet mistenker at overleveringskommunikasjon og teamkoordinering for de identifiserte problemene kan bli bedre i undergruppen av pasienter med betydelig forhøyede spådommer om risikoprofilen deres.

Det større målet er å distribuere et "rapportkort" for hver pasient som oppsummerer den preoperative vurderingen og intraoperative data på en måte som er nyttig for postoperative leverandører. I denne studien vil disse ML-rapportene bli integrert i den kliniske arbeidsflyten og avgjøre om den påvirker overleveringsatferd. Studieteamet vil også evaluere informasjonseffekten og teste rapportkortet for sikkerhet ved å avgjøre om klinikere identifiserer noen større unøyaktigheter knyttet til implementeringen.

Denne studien er en delstudie av en randomisert studie av ACT-intraoperativ kontakt (TECTONICS IRB# 201903026), og kun pasienter i kontakt(behandlings)gruppen vil være kvalifisert. De screenede pasientene vil være alle voksne som opereres ved BJH med avdelingen for akutt- og kritisk kirurgi. Utelukkelseskriterier er en planlagt innleggelse på intensivavdelingen. For hver inkluderte pasient vil ACT-klinikeren gjennomgå rapportkortinformasjonen, og de postoperative leverandørene vil enten bli kontaktet direkte eller motta en Epic Best Practices Advisory. Vår studie vil være et før-etter kvasi-eksperiment, det vil si at etter en fastsatt dato vil alle kvalifiserte pasienter motta intervensjonen, og utfallsmålene vil bli sammenlignet med pasienter før denne datoen. Resultatmålet vi skal studere er overleveringseffektivitet fra utvinningsrommet til avdelingene. Leverandører vil bli undersøkt om informasjonsverdi, eventuelle unøyaktige elementer eller store utelatelser.

ML-rapportkortet vil ikke anbefale spesifikke behandlinger, og beslutninger vil forbli i hendene til legen i PACU eller avdelinger. Den postoperative leverandøren vil også få informasjon om meldekortet og dets begrensninger.