Epics Deterioration-Warnungen sind mit geringerer Krankenhaussterblichkeit verbunden

Die Verbindung eines weit verbreiteten Krankenhausvorhersagemodells mit automatischen Seiten für kritische Pflegeteams war mit einer 18-prozentigen Reduzierung der risikobereinigten Chancen für einen Tod im Krankenhaus verbunden, laut einer Studie von 23.132 Hochrisikopatienten, die am 29. Juli 2026 in der NEJM AI veröffentlicht wurde. Forscher der Rutgers Robert Wood Johnson Medical School und der RWJBarnabas Health verfolgten die Einführung in 11 Krankenhäusern in New Jersey, von einem akademischen medizinischen Zentrum bis hin zu Gemeinschaftskrankenhäusern ohne Lehrkräfte.

Das Modell ist der Epic-Deterioration-Index, ein proprietäres maschinelles Lernmodell, das Epic in seiner elektronischen Gesundheitsakte ausliefert. Es liest Vitalzeichen, Laborergebnisse, Pflegebewertungen und Alter aus, die bereits in der Akte vorhanden sind, und gibt eine Risikozahl auf einer Skala von 0 bis 100 aus, die, wie die eigene Ankündigung des Gesundheitssystems besagt, alle 15 Minuten neu berechnet wird. Was RWJBarnabas geändert hat, war die Weiterleitung: Sobald ein Patient die höchste Risikoschwelle überschritt, schickte die Akte eine Benachrichtigung direkt an das Krankenhaus-Schnellreaktionsteam.

Was die Zahlen zeigen

Das Team führte einen quasi-experimentellen, gestaffelten Vergleich vor und nach der Implementierung durch, anstatt einen randomisierten Versuch. Es umfasste Erwachsenen-Medizin-Chirurgie-Aufnahmen, die zwischen dem 1. Oktober 2022 und dem 30. August 2024 einen Indexwert von 60 oder höher aufwiesen: 10.803 Patienten vor der Änderung und 12.329 danach, mit einem mittleren Alter von 71,9 Jahren. Etwa 47 % der Nachimplementierungs-Kontakte lösten eine Seite für das Reaktionsteam aus, obwohl nicht jede Seite eine Aktivierung produzierte.

Die Aktivierungen des Schnellreaktionsteams bei diesen Patienten stiegen von 25,3 % der Krankenhausaufenthalte auf 37,5 %. Die unadjustierte Krankenhaussterblichkeit sank von 23,1 % auf 18,6 %. Nach der Adjustierung für Alter, Begleiterkrankungen, Krankenhaustyp, Indexwert und Clustering nach Krankenhaus waren die Chancen, im Krankenhaus zu sterben, in der Nachimplementierungsgruppe um 18 % geringer, ein adjustierter Chancenquotient von 0,82. Die Eskalationen der Versorgung blieben in beiden Perioden bei etwa 1 %, so dass der zusätzliche Verkehr des Reaktionsteams nicht in eine Welle neuer Intensivtransfers umgesetzt wurde.

Wie das Modell in Kopf-an-Kopf-Tests abschneidet

Krankenhaus-Risikovorhersagemodelle werden normalerweise danach beurteilt, wie gut sie Patienten, die sich verschlechtern, von Patienten unterscheiden, die es nicht tun, und diese Literatur war für diesen spezifischen Score rau. In der größten veröffentlichten Analyse des Epic-Index bis heute bewerteten Forscher der Yale New Haven Health und der University of Chicago sechs Frühwarnsysteme gegen die gleichen 362.926 Patientenkontakte in sieben Krankenhäusern und platzierten es nahe am unteren Ende, mit einer Fläche unter der Kurve von 0,808. Das lag hinter dem National Early Warning Score bei 0,829, einem Punktesystem, das ein Kliniker von Hand addieren kann, und deutlich hinter dem maschinellen Lernmodell eCART bei 0,895.

Die Vorwarnzeit war die größere Lücke. Die Hochrisikowarnungen des Epic-Scores trafen im Median eine Stunde vor der Verschlechterung ein, gegenüber 11 Stunden für eCART und acht für den von Hand berechneten Score, und die Autoren bemerkten, dass frühere Arbeiten nahelegen, dass die Verlegung eines Patienten in die Intensivstation innerhalb von vier bis sechs Stunden nach dem Treffen der Verschlechterungskriterien die Ergebnisse verbessert. Yale New Haven sagte, es habe seine sieben Krankenhäuser im Januar 2024 aufgrund dieser Ergebnisse auf eCART umgestellt.

Der gleiche Vergleich bemerkte, dass die FDA klinische Entscheidungsunterstützungssoftware behandelt, die Chart-Daten liest, um sich verschlechternde Patienten zu kennzeichnen, als reguliertes medizinisches Gerät, und dass nur zwei allgemeine Frühwarnscores zum Zeitpunkt der Clearance zugelassen worden waren: der Rothman-Index und eCART. Der Epic-Index, der am weitesten verfügbare der Gruppe, ist nicht durch diese Überprüfung gegangen, und seine eigene Entwicklung und Validierungsarbeit ist nicht in einer peer-reviewed Zeitschrift erschienen. Epics Krankenhausinformationssystem deckte etwa 48 % der US-akuten Krankenhausbetten im Jahr 2022 ab, laut der in dem Papier genannten Zahl, so dass der Score in einer sehr großen Anzahl von Gebäuden berechnet wird.

Was Krankenhäuser, die Epic ausführen, daraus ableiten können

Der leitende Autor formulierte die Versöhnung eindeutig. “Der Mortalitätsvorteil wurde nicht durch einen Algorithmus erzeugt, sondern durch die Partnerschaft um den Algorithmus herum”, sagte Stephen P. O’Mahony, Chief Medical Information Officer bei RWJBarnabas Health.

Die Autoren führen ein Paket von Änderungen an, anstatt nur den Score: Kliniker-Schulung, Warnsignal-Anpassung während des anfänglichen Pilotprojekts im Robert Wood Johnson University Hospital, die automatischen Benachrichtigungen und ein stehendes Reaktionsteam mit kritischer Pflegepersonal, das entsendet. Gelesen neben dem Yale-Vergleich ist das die operative Erkenntnis für jeden, der das Tool ausführt. Der Mortalitätsunterschied folgte dem Reaktionssystem, das um den Score herum aufgebaut wurde, und nicht der Score-Rangliste gegenüber seinen Wettbewerbern.

Die Gruppe bewertet derzeit Warnungen, die durch die Geschwindigkeit ausgelöst werden, mit der sich das Risikoscore eines Patienten erhöht, anstatt durch das Niveau, das es erreicht, basierend auf der Theorie, dass Geschwindigkeit mehr Warnung als ein Schwellenwertüberschreitung kauft. Für die vielen Krankenhäuser, die bereits dieses Modell im Hintergrund ausführen, ist die übertragbare Hälfte der Studie operativ: Wer wird gepaged, wie schnell und wer kommt ans Bett.