Быстрая диагностика риска у госпитализированных пациентов с использованием машинного обучения

Целью этого предложения является быстрое развертывание инструмента поддержки принятия клинических решений (eCARTv5) в электронной медицинской карте нескольких медико-хирургических отделений. eCART сочетает в себе алгоритм машинного обучения в реальном времени для выявления пациентов с повышенным риском перевода в отделение интенсивной терапии (ОИТ) и смерти с клиническими путями для стандартизации ухода за этими пациентами на основе количественной оценки риска пациента в реальном времени.

Исследователи предполагают, что внедрение такого инструмента будет связано с уменьшением использования ИВЛ, продолжительности пребывания и смертности среди госпитализированных взрослых с высоким риском.

Фон:

Клиническое ухудшение происходит примерно у 5% госпитализированных взрослых. Задержки в распознавании ухудшения повышают риск неблагоприятных исходов. Алгоритмы машинного обучения улучшают процесс принятия клинических решений и могут повысить качество лечения пациентов. Однако их влияние на клинические исходы зависит не только от чувствительности и специфичности алгоритма, но и от того, насколько хорошо этот алгоритм интегрирован в рабочие процессы поставщика и способствует своевременному и надлежащему вмешательству.

Предварительные данные:

eCART был создан на основе более чем десятилетних научных исследований и описан в многочисленных рецензируемых публикациях. eCART был разработан в Чикагском университете докторами. Дана Эдельсон и Мэтью Чурпек. Первая версия (eCARTv1) была получена и проверена с использованием линейной логистической регрессии в наборе данных почти 60 000 взрослых пациентов одного медицинского центра. В этой модели было 16 переменных, и впоследствии она была проверена в бесшумном режиме, продемонстрировав, что eCART может предупреждать клиницистов более чем за 24 часа до перевода в отделение интенсивной терапии или остановки сердца. eCARTv2, полученный и проверенный в наборе данных почти 270 000 пациентов из 5 больниц, улучшил предыдущую версию за счет использования модели логистической регрессии с кубическим сплайном с 27 переменными и продемонстрировал более высокую точность по сравнению с модифицированной оценкой раннего предупреждения (MEWS), широко используемой оценкой. это может быть вычислено медсестрами у постели больного вручную (AUC 0,77 против 0,70 для остановки сердца, перевода в отделение интенсивной терапии или смерти). В многоцентровом клиническом исследовании внедрения eCARTv2 было связано со снижением относительного риска смертности на 29%. При дальнейшем развитии eCART исследовательская группа Чикагского университета продемонстрировала, что переход от модели кубического сплайна к модели машинного обучения, такой как случайный лес или машина с градиентным усилением (GBM), может увеличить AUC. В самой последней разработке — eCART v5 — исследовательская группа усовершенствовала аналитику, используя модель машинного обучения с градиентным усилением, обученную на многоцентровом наборе данных из более чем 800 000 записей пациентов. Теперь с 97 переменными эта более сложная модель повышает точность, с помощью которой клиницисты могут прогнозировать клиническое ухудшение.