Efeito do modelo preditivo nas avaliações dos médicos do pronto-socorro sobre a disposição do paciente

Metas/Objetivos Específicos:

1. Meça o efeito do compartilhamento de um modelo de previsão de admissão na avaliação da disposição do paciente por um médico assistente dentro de uma hora a partir da apresentação em um hospital pediátrico acadêmico terciário.
2. Meça o efeito do compartilhamento de uma previsão de modelo de um modelo ajustado para desempenho igual de subgrupo na avaliação da disposição do paciente por um médico assistente dentro de uma hora a partir da apresentação em um hospital pediátrico acadêmico terciário.

Antecedentes e Significado:

Os modelos de aprendizagem automática (ML) fornecem cada vez mais suporte à decisão clínica (CDS) às equipas de cuidados para ajudar a priorizar os indivíduos para cuidados específicos com base nas suas necessidades e resultados de saúde previstos. Os métodos de IA/ML podem ter um impacto particularmente elevado na alocação de recursos em departamentos de emergência (DEs) nos EUA, que foram descritos pelo Instituto de Medicina como "próximos do ponto de ruptura" de excesso de capacidade. Infelizmente, os modelos muitas vezes têm um desempenho fraco em subpopulações desinvestidas em relação à população como um todo. Como resultado, os modelos de BC podem exacerbar as disparidades de saúde a jusante devido ao mau desempenho em subpopulações de pacientes marginalizados, especialmente quando os modelos são expandidos para vários centros de cuidados e/ou utilizados sem monitorização de subgrupos durante longos períodos de tempo.

Muitos modelos de predição foram desenvolvidos nos últimos anos para prever a disposição dos pacientes no pronto-socorro, incluindo uma ferramenta de predição desenvolvida por nosso grupo e atualmente em fase piloto no Hospital Infantil de Boston, no Hospital South Shore e no Hospital Infantil de Los Angeles. Nossa ferramenta de previsão, o Predictor of Patient Placement (POPP), fornece uma probabilidade precisa e em tempo real de admissão com base nos dados disponíveis no prontuário eletrônico no momento da consulta. O aviso prévio de prováveis ​​admissões pode ter um impacto importante nos tempos de espera e embarque no pronto-socorro, com potencial para melhorar o fluxo e a satisfação do paciente.

Para tanto, a equipe de investigação apresentou uma proposta de financiamento à National Library of Medicine (NLM) [1R01LM014300 - 01A1] que pesquisa o desenvolvimento e validação de modelos de previsão de admissão de pacientes com consciência de justiça. O objetivo 2 desta bolsa estuda o efeito desses modelos nas avaliações dos médicos do pronto-socorro sobre a disposição do paciente e corresponde a este protocolo. O NLM indicou a sua intenção de financiar esta proposta e os investigadores estão em processo de apresentação de documentos para finalizar a adjudicação. Este componente do estudo está previsto para o ano 3 do estudo.

Estudos Preliminares

Os investigadores realizaram uma série de estudos retrospectivos iniciais que estabeleceram que a admissão do paciente poderia ser prevista antecipadamente com modelos de aprendizado de máquina no pronto-socorro do BCH, progressivamente durante a visita, bem como em outros centros médicos com boa precisão (AUROC 0,9-0,93). .

Em seguida, os investigadores descobriram que a precisão do POPP na previsão da probabilidade de admissão agregou valor às avaliações gestalt dos médicos assistentes do pronto-socorro. O valor preditivo positivo para a previsão de admissão foi de 66% para os médicos, 73% para POPP e 86% para um modelo híbrido combinando os dois.

Finalmente, os investigadores desenvolveram métodos para pós-processamento dos modelos de previsão de DE para torná-los bem calibrados em grupos demográficos de pacientes definidos por raça, sexo e produto de seguro.

As previsões do modelo são atualmente utilizadas para ajudar na coordenação dos leitos, mas dado o seu alto valor, também podem melhorar a tomada de decisões à beira do leito. Com este estudo, nosso objetivo é testar agora, em um ambiente simulado, seguro e realista, como as recomendações do modelo afetam as avaliações da probabilidade de admissão pelos médicos assistentes do pronto-socorro.