Epicon AI-heikkoushälyt liittyvät alhaisempaan sairaalakuolevuuteen

Laajasti käytettyyn sairaalan ennustemalliin kytketty automaattinen sivu sairaaloiden kriittisten hoitiimien kanssa liittyi 18 prosentin laskuun sairaalassa kuolevan riskiin, tutkimuksessa 23 132 korkean riskin potilasta julkaistu NEJM AI 29. heinäkuuta 2026. Rutgers Robert Wood Johnson Medical Schoolin ja RWJBarnabas Healthin tutkijat seurasivat mallin käyttöönottoa 11 New Jersey -sairaalan yli, akateemisesta lääketieteellisestä keskuksesta yhteisöön, joka ei opeta.

Malli on Epic Deterioration Index, joka on Epicin omistama koneoppimisen arvosana, joka toimitetaan sähköisen terveydenhuollon rekisterin sisällä. Se lukee elintarvikkeita, laboratoriotuloksia, hoitotarkastuksia ja ikää, jotka ovat jo valmiina kartassa, ja palauttaa riskinumeron 0-100 asteikolla, jonka terveydenhuollon järjestelmän omassa ilmoituksessa sanotaan laskettavan uudelleen joka 15 minuutissa. Se, mitä RWJBarnabas muutti, oli reititys: kun potilas ylitti korkeimman riskirajan, rekisteri työnsi ilmoituksen suoraan sairaalan nopean vastausryhmään.

Mitä numerot osoittavat

Tiimi suoritti quasi-kokeellisen, porrastetun ennen ja jälkeen vertailun, eikä satunnaistettua koetta. Se kattoi aikuisten lääketieteellisiin ja kirurgisiin sairaaloihin, jotka saivat 60 tai ylemmän pisteytyksen indeksissä 1. lokakuuta 2022 ja 30. elokuuta 2024 välisenä aikana: 10 803 potilasta ennen muutosta ja 12 329 jälkeen, keski-iän ollessa 71,9 vuotta. Noin 47 prosenttia jälkeen tapaamisista aiheutti sivun vastausryhmälle, vaikka jokainen sivu ei tuottanut aktivaatiota.

Nopean vastausryhmän aktivaatiot näissä potilaissa kasvoivat 25,3 prosentista sairaalossa oleskeluun 37,5 prosenttiin. Sairaalassa kuolevaus laski 23,1 prosentista 18,6 prosenttiin. Ikä, sairaudet, sairaalan tyyppi, indeksipisteet ja sairaaloiden ryhmittäminen huomioon ottaen, sairaalassa kuolevan todennäköisyys oli 18 prosenttia alhaisempi jälkeen ryhmässä, jossa oli 0,82 suhdeluku. Hoitotasojen nousu pysyi lähellä 1 prosenttia molemmissa jaksoissa, joten lisäinen vastausryhmän liikenne ei johtanut aaltoon uusia tehohoitoon siirtoja.

Miten malli on menestynyt vastakkain testissä

Sairaaloiden riskinennustemallit arvioidaan yleensä sen mukaan, miten hyvin ne erottavat potilaat, jotka heikkenevät, potilailta, jotka eivät heikkene, ja tämä kirjallisuus on ollut karva tälle tälle pisteytykselle. Suurimmassa julkaistussa analyysissä Epic-indeksiä toistaiseksi, tutkijat Yale New Haven Healthissa ja Chicagon yliopistossa arvioivat kuusi varhaisvaroitusjärjestelmää samojen 362 926 potilastapaamisten yli seitsemän sairaalassa ja asettivat sen lähelle alimmaista, 0,808 kaaren alueella. Se jäljessä Kansallista varhaisvaroituslukua 0,829, pistejärjestelmää, jonka klinikoitsija voi laskea käsin, ja se istui hyvin taakse koneoppimisen eCART-mallissa 0,895.

Viive oli terävämpi aukko. Epic-pisteytyksen korkean riskin hälytykset saapuivat keskimäärin yhden tunnin ennen heikentymistä, 11 tuntia eCART: n ja kahdeksan käsin laskettua pisteytystä varten, ja kirjoittajat huomauttivat, että aiemmat työt osoittavat, että potilaan siirtäminen tehohoitoon neljän ja kuuden tunnin kuluessa heikentymisen kriteerien täyttymisestä on se, missä tulokset paranevat. Yale New Haven sanoi, että se siirsi seitsemän sairaalaa eCART: iin tammikuussa 2024 näiden löytöjen voimalla.

Tuo sama vertailu huomautti, että FDA käsittelee kliinistä päätöksenteon tukiohjelmistoa, joka lukee karttatietoja varhaisista hälytyspotilailta, säänneltyä lääkinnällistä laitetta, ja vain kaksi yleistä varhaisvaroituslukua oli hyväksytty tuolloin: Rothman-indeksi ja eCART. Epic-indeksi, joka on laajimmin saatavilla, ei ole käynyt läpi tarkastelua, ja sen kehitys- ja validointityö ei ole ilmestynyt vertaisarvioituun lehteen. Epicin rekisterijärjestelmä kattoi noin 48 prosenttia Yhdysvaltain akuuttien sairaalasänkyjen määrää vuonna 2022, kyseisessä paperissa mainittujen lukujen mukaan, joten pisteytys lasketaan hyvin suuressa määrässä rakennuksia.

Mitä sairaaloille, jotka käyttävät Epicia, voidaan ottaa siitä

Seniori kirjoittaja lausui sovittelun yksinkertaisesti. “Kuolevuuden hyöty ei tuotettu algoritmilla, vaan algoritmin ympärillä olevalla kumppanuudella”, sanoi Stephen P. O’Mahony, RWJBarnabas Healthin pääjohtaja.

Kirjoittajat kiittävät muutospakettia eikä pelkästään pisteytystä: klinikkokoulutusta, hälytysten säätämistä alkuvaiheessa Robert Wood Johnson University Hospitalissa, automaattisia ilmoituksia ja pysyvää vastausryhmää kriittisten hoitohenkilöstön lähettämiseksi. Lue seuraavaa Yale-vertailua, se on toimiva löytö kellekään muulle, joka ajaa työkalua. Kuolevuusero seurasi vastausjärjestelmää, joka rakennettiin pisteytyksen ympärille, eikä pisteytyksen sijoitusta sen kilpailijoita vastaan.

Ryhmä arvioi parhaillaan hälytyksiä, jotka laukaisevat potilaan riskipisteytyksen nopeuden kasvun sijaan siitä, mitä se saavuttaa, teorian mukaan, että nopeus ostaa enemmän varoitusviestiä kuin kynnyksen ylitys. Monille sairaaloille, joilla on jo tämä malli taustalla, siirrettävissä oleva puoli tutkimuksesta on operatiivinen: kuka hälytetään, miten nopeasti ja kuka saapuu potilaan viereen.