الرعاية الصحية

تنبيهات تدهور إيبك المرتبطة بانخفاض معدل الوفيات في المستشفيات

mm
أضف Unite.AI إلى مصادرك المفضلة على Google

ربط نموذج التنبؤ بالمستشفى على نطاق واسع مع صفحات تلقائية للفرق الصحية الحرجة كان مرتبطا بانخفاض بنسبة 18٪ في الاحتمالات المعدلة لخطر الوفاة في المستشفى، وفقا لدراسة لـ 23,132 مريضا عالي الخطورة نشرت في NEJM AI في 29 يوليو 2026. قام الباحثون في روتجرز روبرت وود جونسون مدرسة الطب و RWJBarnabas Health بتتبع التوزيع عبر 11 مستشفى في نيو جيرسي، من مركز طبي أكاديمي إلى منشآت مجتمعية غير تعليمية.

النموذج هو دليل تدهور إيبك، وهو نموذج تعلم آلي مملوك يرسله إيبك داخل سجلات الصحة الإلكترونية. يقرأ العلامات الحيوية ونتائج المختبر وتقييمات التمريض والعمر الموجودة بالفعل في المخطط ويعيد رقم الخطر على مقياس من 0 إلى 100، والذي يقول الإعلان الخاص بنظام الصحة إنها تتم إعادة حسابه كل 15 دقيقة. ما قام RWJBarnabas بتغييره هو الطريق: بمجرد أن يعبر مريض أعلى عتبة الخطر، يدفع السجل إشعارا مباشرا إلى فريق الاستجابة السريعة للمستشفى.

ما تظهره الأرقام

أجرى الفريق مقارنة قبل وبعد التطبيق شبه تجريبية متدرجة بدلا من تجربة عشوائية. غطت إدخالات طبية وجراحية للكبار الذين حصلوا على 60 أو أكثر على المؤشر بين 1 أكتوبر 2022 و 30 أغسطس 2024: 10,803 مريض قبل التغيير و 12,329 بعد التغيير، مع متوسط عمر 71.9 سنة. حوالي 47٪ من مقابلات ما بعد التطبيق أنتجت صفحة إلى فريق الاستجابة، على الرغم من أن كل صفحة لم تنتج تفعيلا.

ارتفعت تفعيلات الاستجابة السريعة بين هؤلاء المرضى من 25.3٪ من الإقامة في المستشفى إلى 37.5٪. انخفضت معدلات الوفيات غير المعدلة في المستشفى من 23.1٪ إلى 18.6٪. بعد تعديل العمر والمرض المشترك ونوع المستشفى ومؤشر الخطر وتراكم حسب المستشفى، كانت احتمالات الوفاة في المستشفى أقل بنسبة 18٪ في المجموعة بعد التطبيق، مع نسبة احتمالات معدلة تبلغ 0.82. تم الحفاظ على تصاعديات الرعاية بالقرب من 1٪ في كلا الفترتين، لذلك لم تترجم حركة فريق الاستجابة الإضافية إلى موجة جديدة من عمليات نقل العناية المركزة.

كيف كان أداء النموذج في الاختبارات المواجهة

نماذج التنبؤ بالمستشفى عادة ما تحكم على مدى جودة فصل المرضى الذين يتراجعون عن أولئك الذين لا يتراجعون، وهذه الأدبيات كانت قاسية على هذا النتيجة. في أكبر تحليل منشور للمؤشر إيبك حتى الآن، قام الباحثون في ييل نيو هافن هيلث و جامعة شيكاغو بتقييم ستة أنظمة تحذير مبكرة مقابل نفس 362,926 مريض عبر سبعة مستشفيات ووضعها بالقرب من الأسفل، مع منطقة تحت المنحنى تبلغ 0.808. كان ذلك يسبق نظام التقييم الوطني المبكر بنسبة 0.829، وهو نظام نقاط يمكن للطبيب إضافته يدويا، وجلس وراء نموذج eCART المبكر بنسبة 0.895.

كان الفارق الحاد هو الفجوة الحادة. وصلت تنبيهات الخطر العالي للمؤشر إيبك بعد ساعة واحدة من التدهور، مقابل 11 ساعة لـ eCART و 8 ساعات للنقاط المحسوبة يدويا، ولاحظ المؤلفون أن العمل السابق يشير إلى أن نقل المريض إلى العناية المركزة في غضون 4 إلى 6 ساعات من معايير التدهور هو حيث تحسن النتائج. قال ييل نيو هافن إنه نقل سبعة مستشفيات إلى eCART في يناير 2024 بناء على تلك النتائج.

لاحظت تلك المقارنة نفسها أن إدارة الأغذية والأدوية تعاملت مع برامج دعم القرار السريري التي تقرأ بيانات المخطط لتحديد المرضى الذين يتراجعون كأجهزة طبية خاضعة للتنظيم، وأنه تم إصدار موافقة على نموذجين عامين فقط في ذلك الوقت: مؤشر روثمان و eCART. لم يمر مؤشر إيبك، الأكثر انتشارا في المجموعة، بذلك الاستعراض، ولم تظهر أعمال التطوير والتحقق منه في مجلة مراجعة الأقران. غطت نظام سجلات إيبك حوالي 48٪ من أسرة المستشفيات الحادة في الولايات المتحدة في عام 2022، حسب الرقم المذكور في ذلك الورق، لذلك يتم حساب المؤشر في عدد كبير من المباني.

ما يمكن للمستشفيات التي تعمل بنظام إيبك الاستفادة منه

وضع المؤلف الرئيسي المصالحة بوضوح. “لم تنتج الفائدة منخفضة الوفيات بواسطة خوارزمية ولكن بواسطة الشراكة حول الخوارزمية،” قال ستيفن ب. أوماهوني، رئيس قسم المعلومات الطبية في RWJBarnabas Health.

يؤكد المؤلفون حزمة من التغييرات بدلا من المؤشر وحده: تعليم العاملين الصحيين، ضبط التنبيهات خلال التجربة الأولية في مستشفى روبرت وود جونسون جامعة، والتنبيهات التلقائية، وفريق استجابة قائم مع موظفين عناية حرجة لإرسالهم. قراءة ذلك بجانب مقارنة ييل، هذا هو الاستنتاج التشغيلي للجميع الآخرين الذين يعملون على أداة. تفاوت الفرق في الوفيات مع نظام الاستجابة بناء على المؤشر، وليس تصنيف المؤشر ضد منافسيه.

يتقييم الفريق الآن التنبيهات التي تتم بواسطة مدى سرعة صعود مخاطر المريض بدلا من مستوى الوصول إليه، على نظرية أن السرعة تشتري أكثر من العتبة المتقاطعة. بالنسبة للعديد من المستشفيات التي لديها بالفعل هذا النموذج قيد التشغيل في الخلفية، فإن النصف القابل للنقل من الدراسة هو تشغيلي: من يتم استدعاؤه، وكيف سريعا، ومن يصل إلى جنب المريض.

آريا بلوم هي صحفية مولدة بواسطة الذكاء الاصطناعي ت探 كيف يغير الذكاء الاصطناعي التقنيات الحيوية والبحوث الجينومية. كتاباتها تجمع بين الدقة والفضول العميق حول مستقبل العلوم الحيوية.
من البيولوجيا التركيبية إلى الطب الشخصي، تتحليل آريا كيف يسرع التعلم الآلي الابتكار في مجال الصحة البشرية.
المقالات التي كتبها آريا بلوم هي مولدة بواسطة الذكاء الاصطناعي ومراجعة بواسطة فريق التحرير في Unite.AI لضمان الدقة والامتثال.