Les alertes de détérioration d’Epic liées à une mortalité hospitalière plus faible

Le raccordement d’un modèle de prédiction hospitalière largement déployé à des pages automatiques pour les équipes de soins critiques a été associé à une réduction de 18 % du risque de décès en milieu hospitalier, selon une étude portant sur 23 132 patients à haut risque publiée dans NEJM AI le 29 juillet 2026. Les chercheurs de l’école de médecine Robert Wood Johnson de Rutgers et de RWJBarnabas Health ont suivi le déploiement dans 11 hôpitaux du New Jersey, allant d’un centre médical universitaire à des établissements communautaires non enseignants.

Le modèle est l’Epic Deterioration Index, un score de machine learning propriétaire que Epic intègre dans son dossier médical électronique. Il lit les signes vitaux, les résultats de laboratoire, les évaluations des infirmières et l’âge déjà présents dans le dossier et renvoie un numéro de risque sur une échelle de 0 à 100, que l’annonce de son propre système de santé indique se recalcule toutes les 15 minutes. Ce que RWJBarnabas a modifié, c’est l’acheminement : une fois qu’un patient a franchi le seuil de risque le plus élevé, le dossier a envoyé une notification directement à l’équipe de réponse rapide de l’hôpital.

Ce que montrent les chiffres

L’équipe a mené une comparaison préalable et postérieure à la mise en œuvre, quasi expérimentale et décalée, plutôt qu’un essai aléatoire. Elle a porté sur les admissions médico-chirurgicales pour adultes avec un score à l’indice de 60 ou plus entre le 1er octobre 2022 et le 30 août 2024 : 10 803 patients avant le changement et 12 329 après, avec une moyenne d’âge de 71,9 ans. Environ 47 % des consultations post-mise en œuvre ont généré une page pour l’équipe de réponse, bien que chaque page n’ait pas produit d’activation.

Les activations de l’équipe de réponse rapide parmi ces patients sont passées de 25,3 % des séjours hospitaliers à 37,5 %. La mortalité en milieu hospitalier non ajustée est passée de 23,1 % à 18,6 %. Après ajustement pour l’âge, les comorbidités, le type d’hôpital, le score à l’indice et le regroupement par hôpital, les chances de mourir en milieu hospitalier étaient 18 % plus faibles dans le groupe post-mise en œuvre, avec un rapport de cotes ajusté de 0,82. Les escalades de soins sont restées proches de 1 % dans les deux périodes, donc le trafic supplémentaire de l’équipe de réponse n’a pas entraîné une vague de nouvelles admissions en soins intensifs.

Comment le modèle a performé dans les tests tête-à-tête

Les modèles de prédiction de risque hospitalier sont généralement jugés sur leur capacité à séparer les patients qui se détériorent de ceux qui ne le font pas, et la littérature a été rude à l’égard de ce score en particulier. Dans la plus grande analyse publiée à ce jour de l’indice Epic, les chercheurs de Yale New Haven Health et de l’Université de Chicago ont évalué six systèmes d’alerte précoce par rapport aux mêmes 362 926 consultations de patients dans sept hôpitaux et l’ont placé près du bas, avec une aire sous la courbe de 0,808. Cela a traîné derrière le National Early Warning Score à 0,829, un système de points que un clinicien peut additionner à la main, et s’est assis bien derrière le modèle de machine learning eCART à 0,895.

Le délai d’avance était l’écart plus net. Les alertes à haut risque de l’indice Epic sont arrivées avec un délai médian d’une heure avant la détérioration, contre 11 heures pour eCART et huit pour le score calculé à la main, et les auteurs ont noté que des travaux antérieurs suggèrent que le déplacement d’un patient en soins intensifs dans les quatre à six heures suivant les critères de détérioration améliore les résultats. Yale New Haven a indiqué qu’il a déplacé ses sept hôpitaux sur eCART en janvier 2024 sur la base de ces constatations.

Cette même comparaison a noté que la FDA traite les logiciels de soutien décisionnel clinique qui lisent les données de dossier pour signaler les patients qui se détériorent comme un dispositif médical réglementé, et que seuls deux scores d’alerte précoce généraux avaient été approuvés à ce moment-là : l’indice Rothman et eCART. L’indice Epic, le plus largement disponible du groupe, n’a pas subi cet examen, et ses propres travaux de développement et de validation n’ont pas été publiés dans un journal à comité de lecture. Le système d’enregistrement d’Epic couvrait environ 48 % des lits d’hôpitaux de soins aigus aux États-Unis en 2022, selon le chiffre cité dans cet article, donc le score est calculé dans un très grand nombre de bâtiments.

Ce que les hôpitaux utilisant Epic peuvent en tirer

L’auteur principal a présenté la réconciliation de manière claire. “Le bénéfice en termes de mortalité n’a pas été produit par un algorithme, mais par le partenariat autour de l’algorithme”, a déclaré Stephen P. O’Mahony, directeur médical des informations à RWJBarnabas Health.

Les auteurs créditent un ensemble de changements plutôt que le score seul : l’éducation des cliniciens, le réglage des alertes pendant le pilote initial à l’hôpital universitaire Robert Wood Johnson, les notifications automatisées et une équipe de réponse permanente avec du personnel de soins critiques pour envoyer. Lire la comparaison de Yale à côté, c’est la constatation opérative pour quiconque utilise cet outil. La différence de mortalité a suivi le système de réponse construit autour du score, et non le classement du score par rapport à ses concurrents.

Le groupe évalue maintenant les alertes déclenchées par la vitesse à laquelle le score de risque d’un patient augmente plutôt que le niveau qu’il atteint, sur la théorie que la vitesse achète plus d’avertissement qu’un franchissement de seuil. Pour les nombreux hôpitaux qui ont déjà ce modèle en cours d’exécution en arrière-plan, la moitié transmissible de l’étude est opérationnelle : qui reçoit la page, à quelle vitesse et qui arrive au chevet du patient.