![Оповещения с использованием машинного обучения для предотвращения эскалации медицинской помощи](assets/img/opoveshcheniya_s_ispolzovaniyem_mashinnogo_obucheniya_dlya_predotvrashcheniya_eskalatsii_meditsinskoy_pomoshchi_lite_compressed.jpg)
Оповещения с использованием машинного обучения для предотвращения эскалации медицинской помощи
Развертывание и оценка вмешательства машинного обучения для улучшения клинической помощи и результатов лечения пациентов является ключевым шагом в переносе моделей клинического ухудшения из байта в постель. Исследование Mount Sinai показало, что госпитализированные пациенты на 43% чаще получали эскалацию помощи и значительно реже умирали, если их команда по уходу получала оповещения, генерируемые ИИ, о неблагоприятных изменениях в их здоровье.
Целью исследования было выяснить, могут ли быстрые оповещения, создаваемые искусственным интеллектом и машинным обучением, обученными на основе различных типов данных о пациентах, сократить частоту необходимости пациентов в интенсивной терапии и снизить их риск смерти в больнице.
Традиционно бригады интенсивной терапии полагаются на модифицированную оценку раннего предупреждения (MEWS) для прогнозирования клинического ухудшения. Однако это исследование показывает, что автоматизированные оценки алгоритмов машинного обучения, которые запускают оценку поставщиком, могут превзойти эти традиционные методы в точном прогнозировании этого ухудшения. Важно то, что это позволяет вмешаться на более ранней стадии, что может спасти больше жизней.
Исследование включало 2740 взрослых пациентов, поступивших в четыре медицинско-хирургических отделения больницы The Mount Sinai Hospital. Пациенты исследования были разделены на две группы: одна получала оповещения в режиме реального времени на основе прогнозируемой вероятности ухудшения, отправляемые непосредственно медсестрам и врачам или бригаде быстрого реагирования врачей интенсивной терапии, и другая группа, где оповещения создавались, но не отправлялись. Первичным результатом была скорость эскалации на 1000 койко-дней пациентов. Вторичные результаты включали частоту заказов на жидкости, лекарства и диагностические тесты, а также комбинированные показатели внутрибольничной и 30-дневной смертности.
В отделениях, где оповещения были подавлены, пациенты, которые соответствовали стандартным критериям ухудшения, получили экстренное вмешательство от группы быстрого реагирования. Дополнительные результаты показывают, что пациенты с большей вероятностью получали лекарства для поддержки сердца и кровообращения с оповещениями в режиме реального времени, что указывает на ранние действия врачей, и с меньшей вероятностью умирали в течение 30 дней.
Эти инструменты дополненной аналитики могут ускорить проведение личных клинических оценок врачами и медсестрами и подсказать методы лечения, которые позволят обеспечить безопасность пациентов и улучшить результаты.
Алгоритм был развернут во всех отделениях Stepdown в больнице Mount Sinai. Поскольку алгоритм постоянно переобучается на большем количестве пациентов с течением времени, оценки врачей интенсивной терапии служат золотым стандартом правильности, и алгоритм становится более точным благодаря обучению с подкреплением.
Источник: Critical Care Medicine