Badanie pilotażowe dotyczące pooperacyjnego uczenia maszynowego

Chociaż operacja i znieczulenie stały się średnio znacznie bezpieczniejsze, wielu pacjentów nadal doświadcza powikłań po operacji. Niektórych z tych powikłań można prawdopodobnie uniknąć lub złagodzić dzięki wczesnemu wykryciu i leczeniu. Szpital Barnes-Jewish niedawno zaczął korzystać z wieży kontroli anestezjologicznej (ACT), która jest zdalną grupą kierowaną przez anestezjologa, który przegląda dane na żywo z sal operacyjnych BJH i dzwoni do lekarza anestezjologa z obawami dotyczącymi skrócenia czasu reakcji i poprawy wykorzystania najlepszych praktykuje zabiegi. ACT wykorzystuje również uczenie maszynowe (ML) do obliczania ryzyka związanego z pacjentem podczas zabiegu chirurgicznego jako sposobu mierzenia, czy stan pacjenta jest lepszy, czy gorszy.

Zespół badawczy podejrzewa, że ​​dwa mechanizmy mogą pozwolić na przewidywanie ryzyka w celu poprawy opieki pooperacyjnej. Po pierwsze, może sprawić, że niektóre dane będą bardziej przydatne dla klinicystów. Chociaż dane śródoperacyjne są niezwykle bogate i obejmują wiele monitorów, zdarzenia związane z reakcją na leki i chirurgiczne reakcje stresowe, które ujawniają stan fizjologiczny pacjenta, dane te są również niezwykle wyspecjalizowane i trudno dostępne. Zespół badawczy uważa, że ​​często właściwa interpretacja danych śródoperacyjnych lub właściwe leczenie nie jest jasne, dopóki operacja nie jest prawie zakończona. Zespół medyczny w sali pooperacyjnej (oddział opieki poanestezjologicznej, PACU) i oddziałach chirurgicznych jest odpowiedzialny za podjęcie decyzji o strategii leczenia, ale nie ma dostępu do informacji z monitorów i zdarzeń śródoperacyjnych. Dostawcom tym brakuje również znajomości, aby bezpośrednio interpretować te informacje, oraz czasu na ich szczegółową analizę. Nawet informacje przedoperacyjne mogą być mniej niż w pełni dostępne, ponieważ pacjent może być nadal zbyt uspokojony lub zdezorientowany po znieczuleniu, aby wyjaśnić wiele ze swojej historii. Podsumowując te różnorodne źródła informacji w profilu ryzyka, wyniki uczenia maszynowego mogą bezpośrednio poprawić zrozumienie świadczeniodawców pooperacyjnych lub poprawić identyfikację pacjentów z podwyższonym ryzykiem wystąpienia działań niepożądanych po operacji.

Drugi mechanizm wywodzi się ze zmian zachowań, które mogą wystąpić u dostawców w reakcji na generowane maszynowo profile ryzyka. Zespół badawczy zaobserwował, że wiele przekazań z sali operacyjnej i PACU zawiera listy „ważnych” danych, ale często zdarza się, że przekazujący nie przedstawia żadnej interpretacji (z jakim problemem jest ta informacja związana) ani wskazówek wyprzedzających (po zidentyfikowaniu potencjalny lub rzeczywisty problem, co powinien zrobić odbiorca przekazywania). Zespół badawczy zaobserwował również, że po wyraźnym zidentyfikowaniu głównego ryzyka w łańcuchu przekazywania ma tendencję do rozprzestrzeniania się w przód wraz z powiązaniem z podstawowymi danymi, wszelkimi zmianami zauważonymi przez obecnego dostawcę i bieżącym planem. Zespół badawczy podejrzewa, że ​​w podgrupie pacjentów ze znacznie podwyższonymi przewidywaniami dotyczącymi ich profilu ryzyka, komunikacja przekazywania i koordynacja zespołu w przypadku zidentyfikowanych problemów może ulec poprawie.

Większym celem jest wdrożenie „karty raportu” dla każdego pacjenta, która podsumowuje ocenę przedoperacyjną i dane śródoperacyjne w sposób przydatny dla świadczeniodawców pooperacyjnych. W tym badaniu te raporty ML zostaną zintegrowane z klinicznym przepływem pracy i określą, czy ma to wpływ na zachowanie przekazywania. Zespół badawczy oceni również efekt informacyjny i przetestuje kartę raportu pod kątem bezpieczeństwa, określając, czy klinicyści stwierdzą jakiekolwiek poważne nieścisłości związane z wdrożeniem.

To badanie jest częścią badania randomizowanego dotyczącego kontaktu śródoperacyjnego ACT (TECTONICS IRB nr 201903026) i tylko pacjenci z grupy kontaktu (leczenia) będą się kwalifikować. Badanymi pacjentami będą wszyscy dorośli poddani operacji w BJH na oddziale chirurgii ostrej i krytycznej. Kryteria wykluczenia to planowane przyjęcie na OIOM. W przypadku każdego pacjenta objętego programem klinicysta ACT przejrzy informacje zawarte w karcie zgłoszenia, a personel pooperacyjny skontaktuje się bezpośrednio lub otrzyma poradę dotyczącą najlepszych praktyk firmy Epic. Nasze badanie będzie quasi-eksperymentem przed i po, co oznacza, że ​​po ustalonej dacie wszyscy kwalifikujący się pacjenci otrzymają interwencję, a miary wyników zostaną porównane z pacjentami przed tą datą. Miarą wyników, którą będziemy badać, jest skuteczność przekazywania z sali pooperacyjnej na oddziały. Dostawcy zostaną przebadani pod kątem wartości informacji, wszelkich niedokładnych pozycji lub poważnych pominięć.

Karta zgłoszenia ML nie będzie zalecać konkretnych zabiegów, a decyzje pozostaną w rękach lekarza PACU lub oddziału. Opiekun pooperacyjny otrzyma również informację o karcie zgłoszenia i jej ograniczeniach.