Effekt av prediktiv modell på ED legevurderinger av pasientdisposisjon

Spesifikke mål/mål:

1. Mål effekten av deling av en modellprediksjon av innleggelse på en behandlende leges vurdering av pasientdisponering innen én time fra presentasjon ved et tertiært akademisk barnesykehus.
2. Mål effekten av deling av en modellprediksjon fra en modell innstilt for lik undergruppeytelse på en behandlende leges vurdering av pasientdisponering innen én time fra presentasjon ved et tertiært akademisk barnesykehus.

Bakgrunn og betydning:

Maskinlæringsmodeller (ML) gir i økende grad klinisk beslutningsstøtte (CDS) til omsorgsteam for å hjelpe til med å prioritere individer for spesifikk omsorg basert på deres antatte helsebehov og -resultater. AI/ML-metoder kan ha en spesielt stor innvirkning på ressursallokering i akuttmottak (EDs) over hele USA, som har blitt beskrevet av Institute for Medicine som "nærmer bristepunktet" for overkapasitet. Dessverre presterer modeller ofte dårlig på desinvesterte underpopulasjoner i forhold til befolkningen som helhet. Som et resultat kan ML-modeller forverre nedstrøms helseforskjeller ved å underprestere på marginaliserte pasientsubpopulasjoner, spesielt når modellene utvides til flere omsorgssentre og eller brukes uten undergruppeovervåking over lengre perioder.

Mange prediksjonsmodeller har blitt utviklet de siste årene for å forutsi pasientdisponering fra ED, inkludert et prediksjonsverktøy utviklet av vår gruppe og for tiden i pilotfaser ved Boston Children's Hospital, South Shore Hospital og Children's Hospital of Los-Angeles. Vårt prediksjonsverktøy, Predictor of Patient Placement (POPP) gir en nøyaktig sanntidssannsynlighet for innleggelse basert på data tilgjengelig i den elektroniske helsejournalen på tidspunktet for besøket. Forhåndsvarsel om sannsynlige innleggelser kan ha en viktig innvirkning på ED-vente- og ombordstigningstider med potensial til å forbedre flyten og pasienttilfredsheten.

For dette formål har etterforskningsteamet sendt inn et stipendforslag til National Library of Medicine (NLM) [1R01LM014300 - 01A1] som forsker på utvikling og validering av rettferdighetsbevisste prediksjonsmodeller for pasientinnleggelse. Mål 2 med denne bevilgningen studerer effekten av disse modellene på ED-legers vurderinger av pasientdisposisjon, og samsvarer med denne protokollen. NLM har indikert sin intensjon om å finansiere dette forslaget, og etterforskerne er i ferd med å sende inn dokumenter for å fullføre tildelingen. Denne komponenten av studien er beregnet til studiets tredje år.

Forstudier

Etterforskerne gjennomførte en serie innledende retrospektive studier som fastslo at pasientinnleggelse kunne forutsies med maskinlæringsmodeller på forhånd i BCH ED, gradvis under besøket, så vel som på tvers av andre medisinske sentre med god nøyaktighet (AUROC 0,9-0,93) .

Deretter fant etterforskerne at nøyaktigheten til POPP i å forutsi sannsynlighet for innleggelse ga verdi til gestaltvurderingene til leger som behandler ED. Den positive prediktive verdien for prediksjon av innleggelse var 66 % for klinikerne, 73 % for POPP og 86 % for en hybridmodell som kombinerer de to.

Til slutt utviklet etterforskerne metoder for etterbehandling av ED-prediksjonsmodellene for å gjøre dem godt kalibrert på tvers av pasientdemografiske grupper definert av rase, kjønn og forsikringsprodukt.

Modellprediksjonene brukes for tiden til å hjelpe med sengekoordinering, men gitt deres høye verdi, kan de også forbedre beslutningstaking ved sengekanten. Med denne studien er målet vårt nå å teste, i en simulert, sikker og realistisk setting, hvordan modellanbefalinger påvirker vurderingene av sannsynlighet for innleggelse av lege på akuttmottaket.