Пилотное исследование послеоперационного машинного обучения

Хотя хирургия и анестезия в среднем стали намного безопаснее, многие пациенты все еще испытывают осложнения после операции. Некоторых из этих осложнений, вероятно, можно избежать или они менее серьезны при раннем выявлении и лечении. Барнс-Еврейская больница недавно начала использовать вышку управления анестезией (ACT), которая представляет собой удаленную группу, возглавляемую анестезиологом, который просматривает данные в реальном времени из операционных залов BJH и звонит поставщику анестезиологических услуг, чтобы улучшить время реакции и улучшить использование лучших медицинских услуг. практикует лечение. ACT также использует машинное обучение (ML) для расчета рисков пациента во время операции, чтобы измерить, когда пациент чувствует себя лучше или хуже.

Исследовательская группа подозревает, что два механизма могут позволить прогнозировать риск для улучшения послеоперационного ухода. Во-первых, это может сделать некоторые данные более полезными для клиницистов. Хотя интраоперационные данные чрезвычайно богаты многочисленными мониторами, событиями ответа на лекарство и хирургическими стрессовыми реакциями, чтобы выявить физиологическое состояние пациента, эти данные также чрезвычайно специализированы и труднодоступны. Исследовательская группа считает, что во многих случаях правильная интерпретация интраоперационных данных или правильное лечение неясны, пока операция не будет почти завершена. Медицинская бригада в послеоперационной палате (посленаркозное отделение, PACU) и хирургических отделениях отвечает за выбор стратегии лечения, но у них нет доступа к информации с интраоперационных мониторов и событий. Этим провайдерам также не хватает знаний для прямой интерпретации этой информации и времени для ее подробного изучения. Даже предоперационная информация может быть неполной, потому что пациент все еще может быть слишком седативным или сбитым с толку анестезией, чтобы многое объяснить в своем анамнезе. Обобщая эти разнообразные источники информации в профиле риска, результаты машинного обучения могут напрямую улучшить понимание послеоперационных поставщиков или улучшить выявление пациентов с повышенным риском послеоперационных неблагоприятных исходов.

Второй механизм связан с изменениями поведения, которые могут происходить у поставщиков услуг в ответ на сгенерированные машиной профили рисков. Исследовательская группа наблюдала за многими передачами из операционной, и PACU включает в себя списки «важных» данных, но обычно лицо, передающее передачу, не дает никакой интерпретации (с какой проблемой связана эта информация) или упреждающего руководства (определив проблему). потенциальная или реальная проблема, что должен делать приемник передачи обслуживания). Исследовательская группа также заметила, что после того, как серьезный риск был четко определен в цепочке передачи обслуживания, он имеет тенденцию распространяться дальше в связи с базовыми данными, любыми изменениями, замеченными текущим поставщиком, и текущим планом. Исследовательская группа подозревает, что в подмножестве пациентов со значительно повышенными прогнозами их профиля риска, передача обслуживания и координация команды для выявленных проблем могут улучшиться.

Более крупная цель состоит в том, чтобы развернуть «табель успеваемости» для каждого пациента, которая суммирует предоперационную оценку и интраоперационные данные таким образом, чтобы это было полезно для послеоперационных медработников. В этом исследовании эти отчеты ML будут интегрированы в клинический рабочий процесс и определят, влияет ли он на поведение при передаче обслуживания. Исследовательская группа также оценит информационный эффект и проверит табель успеваемости на безопасность, определив, выявляют ли клиницисты какие-либо серьезные неточности, связанные с внедрением.

Это исследование является подисследованием рандомизированного исследования ACT-интраоперационного контакта (TECTONICS IRB# 201903026), и только пациенты в группе контакта (лечения) будут иметь право на участие. Обследуемые пациенты будут все взрослые, проходящие операцию в BJH с отделением неотложной и интенсивной хирургии. Критерием исключения является плановая госпитализация в отделение интенсивной терапии. Для каждого включенного пациента клиницист ACT просмотрит информацию в табеле успеваемости, а послеоперационные поставщики либо свяжутся напрямую, либо получат рекомендации Epic Best Practices. Наше исследование будет квази-экспериментом «до и после», что означает, что после фиксированной даты все подходящие пациенты получат вмешательство, а показатели результатов будут сравниваться с пациентами до этой даты. Критерием результата, который мы будем изучать, является эффективность перевода пациентов из послеоперационной палаты в палаты. Поставщики будут опрошены на предмет ценности информации, любых неточностей или серьезных упущений.

В табеле успеваемости ML не будет рекомендаций по конкретному лечению, и решения останутся за врачом в PACU или отделениях. Послеоперационному медицинскому работнику также будет предоставлена ​​информация о табеле успеваемости и его ограничениях.