基于机器学习的临床医生决策支持算法在围手术期护理中的影响 (IMAGINATIVE)

预测手术风险对于患者和临床医生共享决策过程和管理计划很重要。 研究小组旨在进行混合型 1 有效性实施研究设计。 在一项随机对照试验中，在新加坡中央医院 (SGH) 接受手术的参与者将以 1:1 的比例分配到 CARES 指导（对风险水平不知情）或未指导（对风险水平不知情）组。 所有在 SGH 接受择期手术的参与者都将被视为有资格参加该研究。 对于择期手术，参与者将主要从预入院中心招募。 这项研究的结果将帮助患者和临床医生一起做出更好的决定。 首先，在现场临床环境中部署 CARES 模型可能会减少术后并发症并提高手术护理质量。 这项研究的结果将允许对 CARES 进行微调，并进一步部署针对死亡率和 ICU 住院时间以外的特定并发症的额外风险模型。 反过来，这将转化为手术人群的更好健康和更高的成本效益。 这一点意义重大，因为由于获得护理的机会得到改善、技术更好以及人口老龄化，预计外科手术人数将持续增长。 其次，IMAGINATIVE 将有助于提高我们对医疗保健中 AI/ML 预测模型部署策略的理解。 如果证明可以改善患者的健康结果，CARES 等模型可能会成为未来的护理标准。 由于模型部署成本高昂并且可能会破坏 EMR 流程，因此这项研究将成为未来部署和健康服务研究的最初火花，重点是提高这些模型部署的价值。