用于医疗升级的实时流媒体临床使用引擎 (ReSCUE-ME)

目标：

西奈山医院开发了一个快速反应小组 (RRT) 系统，旨在为可能需要更高级别护理的患者提供普通楼层护理提供者的额外支持。 该系统使护士和医生都能通知 RRT 并让重症监护团队对患者进行评估。 在 2018 年 3 月 1 日至 2018 年 9 月 17 日期间，西奈山医院 10W 和 10E 单元的楼层单元发出了 357 次快速反应小组 (RRT) 呼叫，其中只有 58 次导致护理水平实际提高（真实阳性率 ~ 16%)。 同样，电子健康记录 (EHR) 生成了 839 个败血症最佳实践警报 (BPA)，但只有五个导致护理升级（真阳性率 ~ 0.5%）。 上述结果意味着需要进行超过 168 次评估才能确定患者需要升级护理的单个案例。 ReSCUE-ME 的目标是评估预期模型性能并确定研究团队可以将 MEWS++ 纳入 RRT 和主要提供者工作流程的最佳位置。 主要终点是研究期间 10W 和 10E 的护理升级率。

背景：

在之前的一项研究中，该小组已经证明，机器学习模型 (MEWS++) 在大型回顾性住院患者队列中的表现明显优于手动计算的标准 MEWS 评分。 为开发此模型，研究团队使用了一个数据集（批准人：IRB-18-00581），该数据集包含 96,645 名患者、157,984 次医院就诊和 244,343 次床位变动。 研究团队发现 MEWS++ 优于标准 MEWS 模型，灵敏度为 81.6% vs. 44.6%， 特异性为 75.5% 对比 64.5%， 接受者操作曲线下的面积为 0.85 与 0.71。

受到这一先前结果的鼓舞，研究团队正在寻求在前瞻性研究中评估该模型。

自 2019 年 2 月以来，ReSCUE-ME 警报的静默试点一直在 10E 和 10W 上运行。 研究团队通过基于网络的实时仪表板持续监控警报性能。 结果总结如下：

• 每天每层向主要团队发出的警报中位数：8
• RRT 警报的中位数，每层楼，每天：4
• 灵敏度 0.76，特异性 0.68，AUC 0.77
• 准确度 0.69，精确度 0.3，F1 分数 0.43 此性能与用于开发 MEWS++ 模型的回顾性历史队列中看到的性能相比非常有利：
• 灵敏度 0.82，特异性 0.76，AUC 0.85
• 准确度 0.76，精密度 0.12，F1 分数 0.19"