Epics AI-forringers advarselssystem er knyttet til lavere hospitalsdødelighed

At tilkoble en bredt anvendt hospitalsforudsigelsesmodel til automatiske opkald til kritisk-sygehold var forbundet med en 18% reduktion i den justerede odds for indlæggelsesdødelighed, ifølge en studie af 23.132 højrisikopatienter offentliggjort i NEJM AI den 29. juli 2026. Forskere ved Rutgers Robert Wood Johnson Medical School og RWJBarnabas Health fulgte implementeringen på 11 hospitaler i New Jersey, fra et akademisk medicinsk center til kommunale ikke-undervisningsfaciliteter.

Modellen er Epic Deterioration Index, en proprietær maskinlærings-score, som Epic leverer i sin elektroniske patientjournal. Den læser vitalparametre, laboratorie-resultater, sygeplejebeskrivelser og alder, der allerede er i journalen, og returnerer en risikonummer på en skala fra 0 til 100, som sundhedssystemets eget meddelelse siger, beregnes hver 15. minut. Det, RWJBarnabas ændrede, var ruten: Når en patient overskred den højeste risikotærskel, skubbede journalen en meddelelse direkte til hospitalets hurtig-reaktionshold.

Hvad tallene viser

Holdet kørte en kvase-eksperimentel, stigende før- og efter-implementationssammenligning i stedet for en randomiseret prøve. Den dækkede voksne medicinske-kirurgiske indlæggelser, der scorede 60 eller højere på indekset mellem den 1. oktober 2022 og den 30. august 2024: 10.803 patienter før ændringen og 12.329 efter, med en gennemsnitsalder på 71,9 år. Omkring 47% af efter-implementation-møder genererede en side til reaktionsholdet, selv om ikke hver side producerede en aktivering.

Hurtig-reaktion-aktiveringer blandt disse patienter steg fra 25,3% af hospitalsophold til 37,5%. Ujusteret hospitalsdødelighed faldt fra 23,1% til 18,6%. Efter justering for alder, komorbiditeter, hospitalstype, indeks-score og gruppering efter hospital var oddsen for at dø på hospitalet 18% lavere i efter-implementation-gruppen, en justeret oddsforhold på 0,82. Forhøjelser af behandlingen lå tæt på 1% i begge perioder, så den ekstra reaktionsholdstrafik oversatte ikke til en bølge af nye intensiv-behandlings-overførsler.

Hvordan modellen har klaret sig i hoved-til-hoved-test

Hospitals risiko-forudsigelsesmodeller bedømmes normalt på, hvor godt de kan skelne mellem patienter, der forværres, og patienter, der ikke gør, og den litteratur har været hård på denne specifikke score. I den største offentliggjorte analyse af Epic-indekset til dato, scorede forskere ved Yale New Haven Health og University of Chicago sex tidlige advarselssystemer mod den samme 362.926 patient-møder på syv hospitaler og placerede det nær bunden, med et areal under kurven på 0,808. Det var lavere end National Early Warning Score på 0,829, et pointsystem, som en kliniker kan lægge sammen hånd, og lå langt bag machine-lærings-eCART-modellen på 0,895.

Lead time var den skarpeste gap. Epic-scores højrisiko-advarsel ankom med en median på en time før forværring, mod 11 timer for eCART og otte for hånd-regnet score, og forfatterne bemærkede, at tidligere arbejde foreslår, at flytning af en patient til intensiv-behandling inden for fire til seks timer efter møde med forværringskriterier er, hvor resultaterne forbedres. Yale New Haven sagde, at de flyttede deres syv hospitaler over på eCART i januar 2024 på baggrund af disse resultater.

Den samme sammenligning bemærkede, at FDA behandler klinisk beslutningsstøtte-software, som læser journaldata for at flagre forværring, som et reguleringssubjekt, og at kun to generelle tidlige advarselsscores var blevet godkendt på det tidspunkt: Rothman-indekset og eCART. Epic-indekset, det mest bredt tilgængelige i gruppen, er ikke gået igennem denne gennemgang, og dens egen udvikling og valideringsarbejde er ikke blevet offentliggjort i en peer-reviewed tidsskrift. Epics journalsystem dækkede omkring 48% af US-akutbehandlingshospitalssenge i 2022, ifølge det citerede tal i denne artikel, så scoren beregnes i et meget stort antal bygninger.

Hvad hospitaler, der kører Epic, kan tage fra det

Seniorforfatteren udtrykte forsoningen på en klar måde. “Dødelighedsfordele blev ikke produceret af en algoritme, men af partnerskabet omkring algoritmen,” sagde Stephen P. O’Mahony, chief medical information officer ved RWJBarnabas Health.

Forfatterne tilskriver en pakke af ændringer i stedet for scoren alene: klinisk uddannelse, advarselstuning under den initiale pilot på Robert Wood Johnson University Hospital, de automatiserede meddelelser og et stående reaktionshold med kritisk-sygepersonale til at sende. Læst sammen med Yale-sammenligningen er det den operative finding for alle andre, der kører værktøjet. Dødelighedsforskellen fulgte reaktionssystemet bygget omkring scoren, ikke scorens rang i forhold til dens konkurrenter.

Gruppen evaluerer nu advarselssignaler udløst af, hvor hurtigt en patients risikoscore stiger, i stedet for niveauet, det når, på teorien om, at hastighed køber mere advarsel end en tærskelovergang gør. For de mange hospitaler, der allerede har denne model kørende i baggrunden, er den overførbare halvdel af studiet operationel: hvem der bliver ringet op, hvor hurtigt, og hvem ankommer til sengen.