En rask diagnostikk av risiko hos sykehusinnlagte pasienter som bruker maskinlæring

Målet med dette forslaget er å raskt distribuere et klinisk beslutningsstøtteverktøy (eCARTv5) i den elektroniske helsejournalen til flere medisinsk-kirurgiske enheter. eCART kombinerer en maskinlæringsalgoritme i sanntid for å identifisere pasienter med økt risiko for intensivbehandling (ICU) overføring og død med kliniske veier for å standardisere behandlingen av disse pasientene basert på en sanntids, kvantitativ vurdering av pasientrisiko.

Etterforskerne antar at implementering av et slikt verktøy vil være assosiert med en reduksjon i respiratorbruk, liggetid og dødelighet for høyrisiko sykehusinnlagte voksne.

Bakgrunn:

Klinisk forverring forekommer hos omtrent 5 % av sykehusinnlagte voksne. Forsinkelser i gjenkjennelse av forverring øker risikoen for uønskede utfall. Maskinlæringsalgoritmer forbedrer klinisk beslutningstaking og kan forbedre kvaliteten på pasientbehandlingen. Imidlertid avhenger deres innvirkning på kliniske utfall ikke bare av sensitiviteten og spesifisiteten til algoritmen, men også av hvor godt den algoritmen er integrert i leverandørens arbeidsflyter og muliggjør rettidig og passende intervensjon.

Foreløpige data:

eCART har blitt bygget på mer enn et tiår med pågående vitenskapelig forskning og kronisert i en rekke fagfellevurderte publikasjoner. eCART ble utviklet ved University of Chicago av Drs. Dana Edelson og Matthew Churpek. Den første versjonen (eCARTv1) ble utledet og validert ved bruk av lineær logistisk regresjon i et datasett med nesten 60 000 voksne avdelingspasienter fra et enkelt medisinsk senter. Den modellen hadde 16 variabler og ble deretter validert i stille modus, noe som demonstrerte at eCART kunne varsle klinikere mer enn 24 timer før ICU-overføring eller hjertestans. eCARTv2, utledet og validert i et datasett med nesten 270 000 pasienter fra 5 sykehus, forbedret den tidligere versjonen ved å bruke en kubisk spline logistisk regresjonsmodell med 27 variabler og demonstrerte forbedret nøyaktighet i forhold til Modified Early Warning Score (MEWS), en ofte brukt poengsum som kan håndberegnes av sykepleiere ved sengen (AUC 0,77 vs. 0,70 for hjertestans, ICU-overføring eller død). I en multisenter klinisk implementeringsstudie ble eCARTv2 assosiert med en 29 % relativ risikoreduksjon for dødelighet. I videreutviklingen av eCART demonstrerte forskningsteamet ved University of Chicago at oppgradering fra en kubisk splinemodell til en maskinlæringsmodell, for eksempel en tilfeldig skog- eller gradientforsterket maskin (GBM), kan øke AUC. I den siste utviklingen - eCART v5 - har forskerteamet avansert analysene ved å bruke en gradientforsterket maskinlæringsmodell trent på et multisenter-datasett med mer enn 800 000 pasientjournaler. Nå med 97 variabler øker denne mer sofistikerte modellen nøyaktigheten som klinikere kan forutsi klinisk forverring med.