проверени факти доверлив извор
лекторирани
by Nationwide Children’s Hospital
Во извештајот објавен во Pediatric Critical Care Medicine, тим од Nationwide Children’s Hospital опишува алатка за машинско учење за навремена идентификација на хоспитализирани деца со ризик од влошување – влошена клиничка состојба со зголемен ризик од морбидитет и морталитет. Алатката, која е обучена за групи специфични за болеста, ветувачки ја надмина постоечката програма за подигање на свеста за ситуацијата во идентификувањето на ризичните деца.
„Предвидувачките алгоритми фокусирани на подобрување на клиничката нега се повеќе се развиваат со текот на годините, но огромното мнозинство не се операционализирани. Преминувањето на алгоритмот од компјутер до кревет може да биде долг процес и бара ангажман и соработка од лекарите, научниците за податоци и клиничките информатичари“, вели Лаура Раст, доктор на науки, лекар за итна медицина и лекар информатичар во Nationwide Children’s и главен автор на трудот. „Овој проект беше 5-годишно патување и ние сме навистина горди на успешната интеграција во нашата безбедносна култура и влијанието врз резултатите на пациентите.
Индексот на ризик од влошување (DRI) е изграден врз основа на програмата за подигање на ситуацијата Watchstander, која веќе се користи во Nationwide Children’s. За да го промовира посвојувањето, тимот ги искористи истите механизми за одговор за предупредувања – проценка на пациентот и собирање со тимот за нега покрај креветот во рок од 30 минути, ублажување на ризикот и развој на план за ескалација.
Трите дијагностички групи – структурни срцеви дефекти (срцеви), онколошки (малигнитет), општи (ниту срцеви, ниту малигни) – беа искористени за обука на три одделни модели на предвидување за развој на имплементираните алгоритми.
„Една од карактеристиките на дизајнот што помогна да се изгради доверба кај клиничките тимови е тоа што не моравме да идентификуваме нови критериуми. Нашиот модел едноставно идентификува кои постоечки критериуми за ситуациона свест се најважни и соодветно ги мери“, вели Тајлер Горхам, научник за податоци во IT Research & Innovation во Nationwide Children’s и коавтор на публикацијата.
Според д-р Руст, може да има огромно количество клинички податоци во електронската здравствена евиденција кои треба да се обработат во секое време, особено по предавањето или транзицијата на нега. Моделот помага да се ослободи овој когнитивен товар со автоматска обработка на овие критериуми за ризик зад сцената. Бидејќи е интегриран во електронското медицинско досие (EMR), има корист од тоа што ги има сите податоци од сите претходни временски моменти – не само од моменталната промена.
DRI беше 2,4 пати почувствителен од постоечката програма за подигање на свеста за ситуацијата, додека исто така бараше 2,3 пати помалку аларми по откриен настан. Имено, тимот забележал четирикратно зголемување на чувствителноста за срцевата група и трикратно зголемување за групата со малигнитет. Пилот студијата по имплементацијата покажа дека во текот на првите 18 месеци, настаните на влошување се намалиле за 77% во споредба со очекуваните стапки на настани во претходните години.
Можеби најважниот аспект на моделот, според програмерите, е неговата транспарентност.
„Ова не е црна кутија. На лекарите им покажуваме што влегува и како алгоритмот ги проценува податоците за да активира аларми“, вели Горхам. „Алатката помага да се поддржи клиничкото донесување одлуки бидејќи клиничкиот тим може да види зошто е активиран алармот“.
Тимот, исто така, спроведе роуд шоуа, посетувајќи ги клиничките единици каде ќе биде распоредена алатката, одговарајќи на прашања, правејќи симулации со тимовите за нега покрај креветот и инкорпорирајќи повратни информации.
„Во Nationwide Children’s, нашите тимови се посветени на безбедносната култура на нула херој“, вели д-р Руст. „Ова ја обезбеди основата и заедничката мисија за нашиот мултидисциплинарен тим да го види ова преку целта“.
Повеќе информации, вклучително и детали за алгоритмот, се достапни во публикацијата.
„Го споделивме нашиот рецепт во публикацијата“, вели Горхам. „Ако другите се заинтересирани, тие би можеле да ги користат податоците на нивниот центар и да го преквалификуваат моделот за нивното локално население. Ако можеме да го споделиме нашиот успех со другите, се надеваме дека можеме да поддржиме подобри резултати за сите деца, дури и за оние кои не се под наша грижа. ”
Повеќе информации:
Лаура О. Х. Руст и сор., Индекс на ризик од влошување: Развивање и пилотирање на алгоритам за машинско учење за намалување на влошувањето на педијатриските болнички пациенти, Медицина за критична грижа за децата (2023). DOI: 10.1097/PCC.00000000000003186.