Peringatan Deteriorasi Epic yang Terhubung dengan Angka Kematian Rumah Sakit yang Lebih Rendah

Menghubungkan model prediksi rumah sakit yang banyak digunakan ke halaman otomatis untuk tim perawatan kritis terkait dengan penurunan 18% risiko kematian di rumah sakit yang disesuaikan, menurut sebuah studi 23.132 pasien berisiko tinggi diterbitkan di NEJM AI pada 29 Juli 2026. Peneliti di Rutgers Robert Wood Johnson Medical School dan RWJBarnabas Health melacak peluncuran di 11 rumah sakit New Jersey, dari pusat medis akademis hingga fasilitas non-pengajaran masyarakat.

Model ini adalah Epic Deterioration Index, skor mesin pembelajaran proprietary yang dikirimkan Epic di dalam catatan kesehatan elektronik. Ini membaca tanda-tanda vital, hasil laboratorium, penilaian keperawatan, dan usia yang sudah ada di bagan dan mengembalikan nomor risiko pada skala 0-100, yang pengumuman sistem kesehatan sendiri mengatakan menghitung ulang setiap 15 menit. Apa yang diubah RWJBarnabas adalah pengaturan: sekali pasien melewati ambang batas risiko tertinggi, catatan mendorong notifikasi langsung ke tim respons cepat rumah sakit.

Apa yang Ditunjukkan oleh Angka-angka

Tim tersebut menjalankan perbandingan pra- versus pasca-implentasi quasi-eksperimental, bukan uji acak. Ini mencakup penerimaan medis-bedah dewasa yang skor indeks 60 atau lebih antara 1 Oktober 2022 dan 30 Agustus 2024: 10.803 pasien sebelum perubahan dan 12.329 setelahnya, dengan rata-rata usia 71,9 tahun. Sekitar 47% pertemuan pasca-implentasi menghasilkan halaman ke tim respons, meskipun tidak setiap halaman menghasilkan aktivasi.

Aktivasi respons cepat di antara pasien ini meningkat dari 25,3% tinggal di rumah sakit menjadi 37,5%. Angka kematian di rumah sakit yang tidak disesuaikan turun dari 23,1% menjadi 18,6%. Setelah disesuaikan untuk usia, komorbiditas, jenis rumah sakit, skor indeks, dan pengelompokan oleh rumah sakit, kemungkinan kematian di rumah sakit 18% lebih rendah pada kelompok pasca-implentasi, rasio odds yang disesuaikan sebesar 0,82. Eskalasi perawatan tetap dekat 1% pada kedua periode, sehingga lalu lintas tim respons tambahan tidak berubah menjadi gelombang transfer intensif baru.

Bagaimana Model Ini Berhasil dalam Uji Kepala-ke-Kepala

Model prediksi risiko rumah sakit biasanya dihakimi berdasarkan seberapa baik mereka memisahkan pasien yang memburuk dari pasien yang tidak, dan literatur itu telah kasar pada skor ini. Dalam analisis terbesar yang diterbitkan dari indeks Epic hingga saat ini, peneliti di Yale New Haven Health dan University of Chicago menilai enam sistem peringatan dini melawan 362.926 pertemuan pasien yang sama di tujuh rumah sakit dan menempatkannya dekat dengan bagian bawah, dengan kurva di bawah 0,808. Itu tertinggal di belakang Skor Peringatan Dini Nasional pada 0,829, sistem poin yang dapat dihitung oleh seorang klinisi dengan tangan, dan jauh di belakang model eCART pembelajaran mesin pada 0,895.

Waktu tambahan adalah celah yang lebih tajam. Peringatan risiko tinggi skor Epic tiba dengan median satu jam sebelum memburuk, dibandingkan dengan 11 jam untuk eCART dan delapan untuk skor yang dihitung dengan tangan, dan penulis mencatat bahwa pekerjaan sebelumnya menunjukkan bahwa memindahkan pasien ke perawatan intensif dalam empat hingga enam jam setelah memenuhi kriteria memburuk adalah tempat hasil membaik. Yale New Haven mengatakan bahwa tujuh rumah sakitnya pindah ke eCART pada Januari 2024 berdasarkan temuan tersebut.

Perbandingan yang sama mencatat bahwa FDA menganggap perangkat lunak pendukung keputusan klinis yang membaca data bagan untuk mengidentifikasi pasien yang memburuk sebagai perangkat medis yang diatur, dan bahwa hanya dua skor peringatan dini umum yang telah disetujui pada saat itu: Indeks Rothman dan eCART. Indeks Epic, yang paling tersedia di antara kelompok tersebut, belum melalui tinjauan tersebut, dan pekerjaan pengembangan dan validasinya belum muncul di jurnal yang ditinjau oleh rekan. Sistem catatan Epic mencakup sekitar 48% tempat tidur rumah sakit perawatan akut AS pada 2022, menurut angka yang dikutip dalam makalah tersebut, sehingga skor tersebut dihitung di sejumlah besar bangunan.

Apa yang Dapat Diambil Rumah Sakit yang Menggunakan Epic

Penulis senior menyatakan rekonsiliasi dengan jelas. “Manfaat mortalitas tidak dihasilkan oleh algoritma, tetapi oleh kemitraan di sekitar algoritma,” kata Stephen P. O’Mahony, kepala petugas informasi medis di RWJBarnabas Health.

Penulis mengkreditkan paket perubahan daripada skor itu sendiri: pendidikan klinisi, penyetelan peringatan selama pilot awal di Robert Wood Johnson University Hospital, notifikasi otomatis, dan tim respons yang berdiri dengan staf perawatan kritis untuk dikirim. Baca berikutnya dengan perbandingan Yale, itu adalah temuan operatif untuk siapa pun yang menjalankan alat tersebut. Perbedaan mortalitas melacak sistem respons yang dibangun di sekitar skor, bukan peringkat skor melawan pesaingnya.

Kelompok ini sekarang mengevaluasi peringatan yang dipicu oleh seberapa cepat skor risiko pasien meningkat daripada level yang dicapai, dengan teori bahwa kecepatan membeli lebih banyak peringatan daripada ambang batas yang dilintasi. Bagi banyak rumah sakit yang sudah memiliki model ini berjalan di latar belakang, setengah transferable dari studi ini adalah operasional: siapa yang dipanggil, seberapa cepat, dan siapa yang tiba di tempat tidur.