Szybka diagnostyka ryzyka u hospitalizowanych pacjentów z wykorzystaniem uczenia maszynowego

Celem tej propozycji jest szybkie wdrożenie narzędzia wspomagania decyzji klinicznych (eCARTv5) w ramach elektronicznej dokumentacji medycznej wielu oddziałów medyczno-chirurgicznych. eCART łączy algorytm uczenia maszynowego w czasie rzeczywistym w celu identyfikacji pacjentów o zwiększonym ryzyku przeniesienia i zgonu na oddział intensywnej terapii (OIOM) ze ścieżkami klinicznymi w celu standaryzacji opieki nad tymi pacjentami w oparciu o ilościową ocenę ryzyka pacjenta w czasie rzeczywistym.

Badacze stawiają hipotezę, że wdrożenie takiego narzędzia będzie wiązało się ze spadkiem wykorzystania respiratora, długości pobytu i śmiertelności wśród hospitalizowanych dorosłych z grupy wysokiego ryzyka.

Tło:

Pogorszenie stanu klinicznego występuje u około 5% hospitalizowanych dorosłych. Opóźnienia w rozpoznaniu pogorszenia zwiększają ryzyko wystąpienia działań niepożądanych. Algorytmy uczenia maszynowego usprawniają podejmowanie decyzji klinicznych i mogą poprawić jakość opieki nad pacjentem. Jednak ich wpływ na wyniki kliniczne zależy nie tylko od czułości i swoistości algorytmu, ale także od tego, jak dobrze algorytm ten jest zintegrowany z przepływami pracy świadczeniodawcy i ułatwia terminową i odpowiednią interwencję.

Wstępne dane:

eCART został zbudowany w oparciu o ponad dekadę trwających badań naukowych i opisany w wielu recenzowanych publikacjach. eCART został opracowany na Uniwersytecie w Chicago przez dr. Dana Edelson i Matthew Churpek. Pierwsza wersja (eCARTv1) została wyprowadzona i zweryfikowana przy użyciu liniowej regresji logistycznej na zbiorze danych prawie 60 000 dorosłych pacjentów oddziałów z jednego ośrodka medycznego. Model ten zawierał 16 zmiennych, a następnie został zweryfikowany w trybie cichym, wykazując, że eCART może ostrzegać klinicystów na ponad 24 godziny przed przeniesieniem na OIOM lub zatrzymaniem krążenia. eCARTv2, uzyskany i zweryfikowany na zbiorze danych prawie 270 000 pacjentów z 5 szpitali, udoskonalony w stosunku do wcześniejszej wersji dzięki wykorzystaniu sześciennego modelu regresji logistycznej splajnu z 27 zmiennymi i wykazał lepszą dokładność w porównaniu ze zmodyfikowaną oceną wczesnego ostrzegania (MEWS), powszechnie stosowaną oceną które mogą być obliczone ręcznie przez pielęgniarki przy łóżku chorego (AUC 0,77 vs. 0,70 dla zatrzymania krążenia, przeniesienia na OIOM lub zgonu). W wieloośrodkowym badaniu wdrożeniowym klinicznym eCARTv2 wiązało się z 29% względnym zmniejszeniem ryzyka śmiertelności. W dalszym rozwoju eCART zespół badawczy z University of Chicago wykazał, że przejście z sześciennego modelu splajnu do modelu uczenia maszynowego, takiego jak losowy las lub maszyna ze wzmocnionym gradientem (GBM), może zwiększyć AUC. W najnowszym opracowaniu — eCART v5 — zespół badawczy udoskonalił analitykę przy użyciu modelu uczenia maszynowego wzmocnionego gradientem, wyszkolonego na wieloośrodkowym zbiorze danych obejmującym ponad 800 000 rekordów pacjentów. Teraz z 97 zmiennymi, ten bardziej wyrafinowany model zwiększa dokładność, z jaką klinicyści mogą przewidywać pogorszenie stanu klinicznego.