Влияние прогностической модели на оценку состояния пациентов врачами отделения неотложной помощи

Конкретные цели/задачи:

1. Измерьте влияние обмена модельным прогнозом госпитализации на оценку лечащим врачом состояния пациента в течение одного часа с момента поступления в третичную академическую педиатрическую больницу.
2. Измерьте влияние совместного использования прогноза модели из модели, настроенной на равную производительность подгрупп, на оценку лечащим врачом состояния пациента в течение одного часа с момента обращения в третичную академическую педиатрическую больницу.

Предыстория и значение:

Модели машинного обучения (МО) все чаще обеспечивают поддержку принятия клинических решений (CDS) для медицинских бригад, помогая расставить приоритеты для отдельных пациентов в зависимости от их прогнозируемых потребностей в отношении здоровья и результатов. Методы искусственного интеллекта и машинного обучения могут оказать особенно сильное влияние на распределение ресурсов в отделениях неотложной помощи (ED) по всей территории США, которые, по мнению Института медицины, «приближаются к критической точке» избыточной мощности. К сожалению, модели часто плохо работают на дезинвестированных группах населения по сравнению с населением в целом. В результате модели ОД могут усугубить неравенство в состоянии здоровья на последующих этапах, поскольку они неэффективны для маргинализированных групп пациентов, особенно когда модели распространяются на несколько центров ухода или используются без мониторинга подгрупп в течение длительных периодов времени.

В последние годы было разработано множество моделей прогнозирования для прогнозирования расположения пациентов в отделениях неотложной помощи, включая инструмент прогнозирования, разработанный нашей группой и в настоящее время находящийся на стадии пилотного проекта в Бостонской детской больнице, больнице Саут-Шор и детской больнице Лос-Анджелеса. Наш инструмент прогнозирования, Predictor of Patient Placement (POPP), обеспечивает точную вероятность госпитализации в режиме реального времени на основе данных, доступных в электронной медицинской карте на момент посещения. Предварительное уведомление о вероятной госпитализации может оказать важное влияние на время ожидания и посадки в отделение неотложной помощи, что потенциально может улучшить поток пациентов и удовлетворенность пациентов.

С этой целью исследовательская группа подала заявку на грант в Национальную медицинскую библиотеку (NLM) [1R01LM014300 - 01A1], которая исследует разработку и проверку моделей прогнозирования приема пациентов, учитывающих справедливость. Цель 2 этого гранта изучает влияние этих моделей на оценку состояния пациентов врачами отделения неотложной помощи и соответствует этому протоколу. НОД заявил о своем намерении профинансировать это предложение, и следователи находятся в процессе подачи документов для завершения решения. Этот компонент исследования запланирован на 3-й год исследования.

Предварительные исследования

Исследователи провели серию первоначальных ретроспективных исследований, которые установили, что госпитализация пациентов может быть предсказана с помощью моделей машинного обучения заранее в отделении неотложной помощи BCH, постепенно во время визита, а также в других медицинских центрах с хорошей точностью (AUROC 0,9-0,93). .

Затем исследователи обнаружили, что точность POPP в прогнозировании вероятности госпитализации повышает ценность гештальт-оценки лечащих врачей отделения неотложной помощи. Положительная прогностическая ценность прогноза госпитализации составила 66% для врачей, 73% для POPP и 86% для гибридной модели, объединяющей эти две модели.

Наконец, исследователи разработали методы последующей обработки моделей прогнозирования ЭД, чтобы сделать их хорошо откалиброванными по демографическим группам пациентов, определяемым по расе, полу и страховому продукту.

Прогнозы модели в настоящее время используются для координации работы койки, но, учитывая их высокую ценность, они также могут улучшить процесс принятия решений у постели больного. С помощью этого исследования наша цель — проверить в смоделированных, безопасных и реалистичных условиях, как рекомендации модели влияют на оценку вероятности госпитализации лечащими врачами отделения неотложной помощи.