エピックのAI悪化警報は病院の死亡率の低下と関連付けられる

広く導入されている病院予測モデルをクリティカルケアチームの自動ページングに接続したことが、23,132人の高リスク患者を対象にした研究で、病院内死亡のリスク調整済みオッズが18%低下したことがわかった。 NEJM AIの2026年7月29日付けの論文によると、ラトガースロバートウッドジョンソン医学校とRWJBarnabasヘルスの研究者は、11のニュージャージー州の病院でモデルを展開した。

モデルは、エピックの電子ヘルスレコードに同梱されているEpic Deterioration Indexで、機械学習スコアを使用して、バイタルサイン、ラボ結果、看護評価、年齢などの既存のデータを読み取り、0から100のリスク数値を返す。RWJBarnabasのプレスリリースによると、スコアは15分ごとに再計算される。RWJBarnabasが変更したのは、ルーティングで、患者の最高リスクしきい値を超えた場合、レコードは病院のラピッドレスポンステームに直接通知を送信した。

数字が示すもの

チームは、ランダム化比較試験ではなく、準実験的、段階的な前後比較を行った。2022年10月1日から2024年8月30日までの間に、60以上のインデックススコアを持つ成人医療外科入院患者を対象とした。10,803人の患者が変更前のグループで、12,329人の患者が変更後のグループで、平均年齢は71.9歳だった。実装後の約47%の遭遇がレスポンステームにページングを生成したが、すべてのページングがアクティブ化にはつながらなかった。

これらの患者におけるラピッドレスポンステームのアクティベーションは、病院滞在の25.3%から37.5%に増加した。調整されていない病院内死亡率は、23.1%から18.6%に低下した。年齢、合併症、病院の種類、インデックススコア、病院によるクラスタリングを調整した後、病院内死亡のオッズは、実装後のグループで18%低下し、調整済みオッズ比は0.82だった。両方の期間におけるケアのエスカレーションは約1%で、追加のレスポンステームトラフィックは新しい集中治療室転送の波に変換されなかった。

モデルがヘッドツーヘッドテストでどのように機能したか

病院のリスク予測モデルは、通常、患者が悪化する患者と悪化しない患者をどのように区別するかによって判断されるが、そのスコアは厳しいものだった。Epicインデックスに関する最大の公開分析では、イェールニューヘブンヘルスとシカゴ大学の研究者は、7つの病院の362,926人の患者遭遇を対象に6つの早期警告システムを評価し、0.808のROC曲線下面積で最下位にランクインした。0.829のNational Early Warning Scoreと0.895のeCARTモデルに次いだ。

リードタイムが大きなギャップだった。Epicスコアの高リスクアラートは悪化の1時間前に到着したが、eCARTは11時間前に、アナログスコアは8時間前に到着した。著者は、以前の研究から、悪化基準を満たした4〜6時間以内に集中治療室への転送が行われると、転帰が改善されることを示唆した。イェールニューヘブンヘルスは、これらの結果に基づいて、2024年1月に7つの病院をeCARTに移行させた。

同じ比較では、FDAが、患者の悪化を検出するためにチャートデータを読み取る臨床意思決定支援ソフトウェアを規制された医療機器として扱い、当時の一般的な早期警告スコアのうち、RothmanインデックスとeCARTの2つだけがクリアされたことを示した。Epicインデックスは、利用可能なスコアの中で最も広く利用されているが、FDAのレビューを受けていない。Epicのレコードシステムは、2022年に米国の急性ケア病院ベッドの約48%をカバーしていたため、スコアは非常に多くの建物で計算されている。

エピックを実行している病院が得られるもの

シニア著者は、和解を率直に述べた。 “死亡率の利点は、アルゴリズムによって生み出されたのではなく、アルゴリズムの周りのパートナーシップによって生み出されたものだった”と、RWJBarnabasヘルスのチーフメディカルインフォメーションオフィサーのスティーブン・P・オマホニー氏は述べた。

著者は、スコアだけでなく、パッケージの変更を称賛している。ロバートウッドジョンソン大学病院での初期パイロットでのクリニカル教育、アラートの調整、自動通知、クリティカルケアスタッフを配置するためのスタンディングレスポンステーム。イェールの比較と並んで読むと、これは他のエピックユーザーにとっての重要な発見である。死亡率の違いは、スコアのランキングではなく、スコアの周りのレスポンステームに従った。

グループは現在、スコアが到達するレベルではなく、どのくらい速く上昇しているかによってトリガーされるアラートを評価している。速度がしきい値を超えるよりも警告を買うという理論に基づいて。すでにこのモデルをバックグラウンドで実行している多くの病院にとって、研究の転送可能な半分は運用上のものである。誰がページングされるか、どのくらいの速さで、誰がベッドサイドに到着するか。