En snabb diagnostik av risker hos inlagda patienter som använder maskininlärning

Syftet med detta förslag är att snabbt distribuera ett verktyg för kliniskt beslutsstöd (eCARTv5) inom den elektroniska patientjournalen för flera medicinsk-kirurgiska enheter. eCART kombinerar en maskininlärningsalgoritm i realtid för att identifiera patienter med ökad risk för intensivvård (ICU) överföring och död med kliniska vägar för att standardisera vården av dessa patienter baserat på en kvantitativ bedömning av patientrisk i realtid.

Utredarna antar att implementering av ett sådant verktyg kommer att vara associerat med en minskning av respiratoranvändning, vistelsetid och dödlighet för vuxna med hög risk på sjukhus.

Bakgrund:

Klinisk försämring inträffar hos cirka 5 % av de vuxna inlagda på sjukhus. Förseningar i att upptäcka försämringar ökar risken för ogynnsamma resultat. Maskininlärningsalgoritmer förbättrar det kliniska beslutsfattandet och kan förbättra kvaliteten på patientvården. Men deras inverkan på kliniska resultat beror inte bara på algoritmens känslighet och specificitet utan också på hur väl den algoritmen är integrerad i leverantörens arbetsflöden och underlättar snabba och lämpliga ingrepp.

Preliminär information:

eCART har byggts på mer än ett decennium av pågående vetenskaplig forskning och krönikas i ett flertal referentgranskade publikationer. eCART utvecklades vid University of Chicago av Drs. Dana Edelson och Matthew Churpek. Den första versionen (eCARTv1) härleddes och validerades med hjälp av linjär logistisk regression i en datauppsättning av nästan 60 000 vuxna avdelningspatienter från ett enda vårdcenter. Den modellen hade 16 variabler och validerades därefter i tyst läge, vilket visar att eCART kunde varna läkare mer än 24 timmar före ICU-överföring eller hjärtstopp. eCARTv2, härledd och validerad i en datauppsättning av nästan 270 000 patienter från 5 sjukhus, förbättrades jämfört med den tidigare versionen genom att använda en kubisk spline logistisk regressionsmodell med 27 variabler och visade förbättrad noggrannhet jämfört med Modified Early Warning Score (MEWS), en vanlig poäng som kan beräknas för hand av sjuksköterskor vid sängen (AUC 0,77 vs. 0,70 för hjärtstopp, ICU-överföring eller dödsfall). I en multicenter klinisk implementeringsstudie associerades eCARTv2 med en relativ riskreduktion på 29 % för dödlighet. I vidareutvecklingen av eCART visade forskargruppen från University of Chicago att uppgradering från en kubisk splinemodell till en maskininlärningsmodell, såsom en random forest eller gradient boosted machine (GBM), kan öka AUC. I den senaste utvecklingen - eCART v5 - har forskargruppen avancerat analysen med hjälp av en gradientförstärkt maskininlärningsmodell som tränats på en multicenterdatauppsättning med mer än 800 000 patientjournaler. Nu med 97 variabler ökar denna mer sofistikerade modell noggrannheten med vilken läkare kan förutsäga klinisk försämring.