Wpływ modelu predykcyjnego na ocenę dyspozycji pacjenta przez lekarza SOR

Cele szczegółowe/zadania:

1. Zmierz wpływ udostępniania modelu przewidywania przyjęcia na ocenę lekarza prowadzącego dotyczącą stanu pacjenta w ciągu godziny od przyjęcia do akademickiego szpitala pediatrycznego trzeciego stopnia.
2. Zmierz wpływ współdzielenia przewidywań modelu z modelu dostrojonego pod kątem jednakowej wydajności podgrup na ocenę stanu pacjenta dokonaną przez lekarza prowadzącego w ciągu godziny od przyjęcia do akademickiego szpitala pediatrycznego trzeciego stopnia.

Tło i znaczenie:

Modele uczenia maszynowego (ML) w coraz większym stopniu zapewniają zespołom opiekuńczym wsparcie decyzji klinicznych (CDS), pomagając w ustalaniu priorytetów poszczególnych osób w ramach określonej opieki w oparciu o ich przewidywane potrzeby zdrowotne i wyniki. Metody AI/ML mogą mieć szczególnie duży wpływ na alokację zasobów na oddziałach ratunkowych (ED) w całych Stanach Zjednoczonych, które Instytut Medycyny określił jako „bliskie punktu krytycznego” nadmiernej wydajności. Niestety modele często radzą sobie słabo w przypadku wycofywanych subpopulacji w porównaniu z populacją jako całością. W rezultacie modele ML mogą pogłębiać dysproporcje w stanie zdrowia na dalszych etapach leczenia, osiągając słabsze wyniki w marginalizowanych subpopulacjach pacjentów, zwłaszcza gdy modele są rozszerzane na wiele ośrodków opieki i/lub są stosowane bez monitorowania podgrup przez długie okresy czasu.

W ostatnich latach opracowano wiele modeli prognostycznych umożliwiających przewidywanie skierowania pacjenta na oddział ratunkowy, w tym narzędzie prognostyczne opracowane przez naszą grupę i znajdujące się obecnie w fazie pilotażowej w szpitalach dziecięcych w Bostonie, szpitalach South Shore i szpitalach dziecięcych w Los Angeles. Nasze narzędzie prognostyczne, Predictor of Patient Placement (POPP), zapewnia dokładne prawdopodobieństwo przyjęcia w czasie rzeczywistym na podstawie danych dostępnych w elektronicznej karcie zdrowia w momencie wizyty. Powiadomienie z wyprzedzeniem o prawdopodobnych przyjęciach może mieć istotny wpływ na czas oczekiwania na oddział ratunkowy i czas wejścia na pokład, potencjalnie poprawiając przepływ i satysfakcję pacjentów.

W tym celu zespół badawczy złożył wniosek o grant do Narodowej Biblioteki Medycznej (NLM) [1R01LM014300 - 01A1], która bada rozwój i walidację świadomych uczciwości modeli przewidywania przyjęć pacjentów. Celem 2 tego grantu jest zbadanie wpływu tych modeli na ocenę stanu pacjenta przez lekarzy SOR i odpowiada niniejszemu protokołowi. NLM wyraziło zamiar sfinansowania tej propozycji, a śledczy są w trakcie składania dokumentów w celu sfinalizowania nagrody. Ta część studiów przewidziana jest na trzeci rok studiów.

Badania wstępne

Badacze przeprowadzili serię wstępnych badań retrospektywnych, w których ustalono, że przyjęcie pacjenta można z wyprzedzeniem przewidzieć za pomocą modeli uczenia maszynowego na oddziale ratunkowym w BCH, stopniowo w trakcie wizyty, a także w innych ośrodkach medycznych z dobrą dokładnością (AUROC 0,9–0,93). .

Następnie badacze odkryli, że dokładność POPP w przewidywaniu prawdopodobieństwa przyjęcia do szpitala stanowi wartość dodaną w ocenie gestalt dokonywanej przez lekarzy prowadzących SOR. Dodatnia wartość predykcyjna przewidywania przyjęcia wyniosła 66% dla klinicystów, 73% dla POPP i 86% dla modelu hybrydowego łączącego oba.

Na koniec badacze opracowali metody przetwarzania końcowego modeli przewidywania zaburzeń erekcji, aby zapewnić ich odpowiednią kalibrację w odniesieniu do grup demograficznych pacjentów zdefiniowanych na podstawie rasy, płci i produktu ubezpieczeniowego.

Przewidywania modeli są obecnie wykorzystywane do pomocy w koordynacji łóżka, ale ze względu na ich dużą wartość mogą również usprawnić podejmowanie decyzji przy łóżku. Naszym celem w tym badaniu jest przetestowanie w symulowanych, bezpiecznych i realistycznych warunkach, w jaki sposób zalecenia modelowe wpływają na ocenę prawdopodobieństwa przyjęcia na oddział ratunkowy przez lekarzy prowadzących SOR.