Υγεία

Οι προειδοποιήσεις για την επιδείνωση του Epic συνδέονται με χαμηλότερο ποσοστό θνησιμότητας στο νοσοκομείο

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Η σύνδεση ενός ευρέως διαδεδομένου μοντέλου πρόβλεψης νοσοκομείων με αυτόματες σελίδες για ομάδες εντατικής φροντίδας συσχετίστηκε με μείωση 18% στον κίνδυνο θνησιμότητας στο νοσοκομείο, σύμφωνα με μια μελέτη 23.132 υψηλού κινδύνου ασθενών δημοσιευμένη στο NEJM AI στις 29 Ιουλίου 2026. Ερευνητές στο Rutgers Robert Wood Johnson Medical School και το RWJBarnabas Health παρακολούθησαν την εφαρμογή σε 11 νοσοκομεία του Νιου Τζέρσεϊ, από ένα ακαδημαϊκό ιατρικό κέντρο μέχρι κοινά μη διδακτικά ιδρύματα.

Το μοντέλο είναι ο Δείκτης Επιδείνωσης του Epic, ένας ιδιόκτητος δείκτης μηχανικής μάθησης που το Epic παρέχει μέσα στο ηλεκτρονικό ιατρικό αρχείο. Διαβάζει ζωτικές σημάνσεις, αποτελέσματα εργαστηριακών εξετάσεων, αξιολογήσεις νοσηλευτικής και ηλικία που ήδη υπάρχουν στο αρχείο και επιστρέφει έναν αριθμό κινδύνου σε κλίμακα 0-100, ο οποίος, σύμφωνα με την δική τους ανακοίνωση, ανακυκλώνεται κάθε 15 λεπτά. Αυτό που άλλαξε το RWJBarnabas ήταν η διαδρομή: μια φορά που ένας ασθενής διέσχισε το υψηλότερο κατώφλι κινδύνου, το αρχείο έστειλε μια ειδοποίηση απευθείας στην ταχεία ανταπόκριση της ομάδας του νοσοκομείου.

Τι δείχνουν τα νούμερα

Η ομάδα実行了一個 quasi-πειραματικό, σταδιακό σύγκριση πριν και μετά την εφαρμογή αντί για τυχαιοποιημένη δοκιμή. Κάλυψε ενήλικες ιατρικές-χειρουργικές εισαγωγές με βαθμό 60 ή υψηλότερο στον δείκτη μεταξύ 1ης Οκτωβρίου 2022 και 30ης Αυγούστου 2024: 10.803 ασθενείς πριν την αλλαγή και 12.329 μετά, με μέση ηλικία 71,9 ετών. Περίπου το 47% των συναντήσεων μετά την εφαρμογή παρήγαγε μια σελίδα στην ομάδα ανταπόκρισης, αν και δεν κάθε σελίδα παρήγαγε μια ενεργοποίηση.

Οι ταχείες ενεργοποιήσεις ανταπόκρισης μεταξύ αυτών των ασθενών αυξήθηκαν από 25,3% των διαμονών στο νοσοκομείο σε 37,5%. Η μη προσαρμοσμένη θνησιμότητα στο νοσοκομείο έπεσε από 23,1% σε 18,6%. Μετά την προσαρμογή για ηλικία, συννοσηρότητες, τύπο νοσοκομείου, δείκτη και ομαδοποίηση με νοσοκομείο, ο κίνδυνος θανάτου στο νοσοκομείο ήταν 18% χαμηλότερος στην ομάδα μετά την εφαρμογή, με αναλογικό κίνδυνο 0,82. Οι αναβαθμίσεις φροντίδας παρέμειναν κοντά στο 1% και στις δύο περιόδους, οπότε η πρόσθετη κυκλοφορία της ομάδας ανταπόκρισης δεν μετέτρεψε σε μια νέα κύματα μεταφορών εντατικής φροντίδας.

Πώς έχει πάρει το μοντέλο σε δοκιμές tête-à-tête

Τα μοντέλα πρόβλεψης κινδύνου του νοσοκομείου συνήθως αξιολογούνται με βάση το πώς διακρίνουν τους ασθενείς που επιδεινώνονται από εκείνους που δεν επιδεινώνονται, και αυτή η βιβλιογραφία έχει été rough σε αυτόν τον συγκεκριμένο δείκτη. Στην μεγαλύτερη δημοσιευμένη ανάλυση του δείκτη του Epic μέχρι σήμερα, ερευνητές στο Yale New Haven Health και το Πανεπιστήμιο του Σικάγου αξιολόγησαν έξι συστήματα προειδοποίησης έναντι των ίδιων 362.926 συναντήσεων ασθενών σε επτά νοσοκομεία και το τοποθέτησαν κοντά στο κάτω μέρος, με περιοχή κάτω από την καμπύλη 0,808. Αυτό ήταν πίσω από το Εθνικό Δείκτη Προειδοποίησης 0,829, ένα σύστημα που ένας κλινικός ιατρός μπορεί να προσθέσει με το χέρι, και ήταν πολύ πίσω από το μοντέλο μηχανικής μάθησης eCART στο 0,895.

Η χρονική διαφορά ήταν ο πιο οξύς χάσμα. Οι προειδοποιήσεις υψηλού κινδύνου του δείκτη του Epic έφτασαν με διάμεσο eine ώρα πριν την επιδείνωση, έναντι 11 ωρών για το eCART και οκτώ για το χειροκίνητο σύστημα, και οι συγγραφείς σημείωσαν ότι προηγούμενη εργασία υποδηλώνει ότι η μεταφορά ενός ασθενή σε εντατική φροντίδα μέσα σε τέσσερις έως έξι ώρες από την επιδείνωση των κριτηρίων είναι όπου οι αποτελέσματα βελτιώνονται. Το Yale New Haven είπε ότι μετέφερε τα επτά νοσοκομεία του στο eCART τον Ιανουάριο του 2024 με βάση αυτά τα ευρήματα.

Αυτή η ίδια σύγκριση σημείωσε ότι η FDA θεωρεί λογισμικό υποστήριξης κλινικών αποφάσεων που διαβάζει δεδομένα αρχείου για να σηματοδοτήσει επιδεινούμενους ασθενείς ως ρυθμιζόμενο ιατρικό συσκευή, και ότι μόνο δύο γενικοί δείκτες προειδοποίησης είχαν εγκριθεί εκείνη την εποχή: ο Rothman Index και το eCART. Ο δείκτης του Epic, ο πιο ευρέως διαθέσιμος της ομάδας, δεν έχει περάσει από αυτή την ανασκόπηση, και η δική του ανάπτυξη και επικύρωση δεν έχει δημοσιευθεί σε एक αναθεωρημένη περιοδικό. Το σύστημα αρχείων του Epic καλύπτει περίπου το 48% των κλινών νοσοκομείων στις Ηνωμένες Πολιτείες το 2022, σύμφωνα με τον αριθμό που αναφέρθηκε σε αυτή την εργασία, οπότε ο δείκτης υπολογίζεται σε πολύ μεγάλο αριθμό κτιρίων.

Τι μπορούν να πάρουν τα νοσοκομεία που τρέχουν το Epic

Ο старший συγγραφέας έθεσε την συμφιλίωση απλά. “Το όφελος θνησιμότητας δεν παράχθηκε από einen αλγόριθμο αλλά από τη συνεργασία γύρω από τον αλγόριθμο”, είπε ο Stephen P. O’Mahony, αρχικός ιατρικός αξιωματικός πληροφοριών στο RWJBarnabas Health.

Οι συγγραφείς πιστώνουν ένα πακέτο αλλαγών και όχι μόνο τον δείκτη: εκπαίδευση κλινικών, ρύθμιση προειδοποιήσεων κατά την αρχική πιλότο στο Robert Wood Johnson University Hospital, τις αυτοματοποιημένες ειδοποιήσεις και μια σταθερή ομάδα ανταπόκρισης με προσωπικό εντατικής φροντίδας για να στείλει. Διαβάστε το επόμενο στοιχείο της σύγκρισης του Yale, αυτό είναι το επιχειρήσιμο εύρημα για οποιονδήποτε άλλον τρέχει το εργαλείο. Η διαφορά θνησιμότητας ακολουθούσε το σύστημα ανταπόκρισης που χτίστηκε γύρω από τον δείκτη, όχι την κατάταξη του δείκτη έναντι των ανταγωνιστών του.

Η ομάδα αξιολογεί τώρα τις ειδοποιήσεις που ενεργοποιούνται από το πόσο γρήγορα ανεβαίνει ο κίνδυνος του ασθενή αντί για το επίπεδο που φτάνει, με τη θεωρία ότι η ταχύτητα αγοράζει περισσότερη προειδοποίηση από το πέρασμα ενός κατωφλίου. Για τα πολλά νοσοκομεία που ήδη έχουν αυτό το μοντέλο να τρέχει στο φόντο, το μεταφερόμενο μισό της μελέτης είναι λειτουργικό: ποιος λαμβάνει σελίδες, πόσο γρήγορα, και ποιος φτάνει στο κρεβάτι.

Η Aria Bloom είναι μια δημοσιογράφος που δημιουργήθηκε από τον AI, που εξετάζει πώς η τεχνητή νοημοσύνη μεταμορφώνει τη βιοτεχνολογία και την έρευνα γονιδιώματος. Το γραπτό της συνδυάζει ακρίβεια με μια βαθιά περιέργεια για το μέλλον των επιστημών της ζωής. Από τη συνθετική βιολογία στην ιατρική που προσωπικοποιείται, η Aria αναλύει πώς η μηχανική μάθηση επιταχύνει την καινοτομία στην υγεία των ανθρώπων. Τα άρθρα που γράφονται από την Aria Bloom δημιουργούνται από τον AI και ελέγχονται από την редакτική ομάδα του Unite.AI για ακρίβεια και συμμόρφωση.