Epic’s AI Deterioratiealarmen in verband gebracht met lagere ziekenhuissterfte

Het aansluiten van een breed ingezette ziekenhuisvoorspellingsmodel op automatische paginering voor critical-care-teams was geassocieerd met een verlaging van 18% van de risicogecorrigeerde kansen op overlijden in het ziekenhuis, volgens een onderzoek onder 23.132 hoogrisicopatiënten gepubliceerd in NEJM AI op 29 juli 2026. Onderzoekers van Rutgers Robert Wood Johnson Medical School en RWJBarnabas Health volgden de implementatie in 11 ziekenhuislocaties in New Jersey, van een academisch medisch centrum tot community non-teaching faciliteiten.

Het model is de Epic Deterioratie-index, een propriëtaire machine-learning-score die Epic levert in zijn elektronisch patiëntendossier. Het leest vitale tekenen, laboratoriumresultaten, verpleegkundige beoordelingen en leeftijd die al in het dossier zitten en retourneert een risicocijfer op een schaal van 0 tot 100, dat, volgens de eigen aankondiging van het ziekenhuis, elke 15 minuten opnieuw wordt berekend. Wat RWJBarnabas veranderde, was de routering: zodra een patiënt de drempel van het hoogste risico overschreed, stuurde het dossier een notificatie rechtstreeks naar het snelle respons-team van het ziekenhuis.

Wat de cijfers laten zien

Het team voerde een quasi-experimentele, gestageerde pre- versus post-implementatievergelijking uit in plaats van een gerandomiseerde studie. Het omvatte volwassen medisch-chirurgische opnames met een score van 60 of hoger op de index tussen 1 oktober 2022 en 30 augustus 2024: 10.803 patiënten voor de verandering en 12.329 erna, met een gemiddelde leeftijd van 71,9 jaar. Ongeveer 47% van de post-implementatie-ontmoetingen genereerden een pagina naar het respons-team, hoewel niet elke pagina een activatie opleverde.

Snelle responsactivaties onder deze patiënten steeg van 25,3% van de ziekenhuisopnames tot 37,5%. Ongecorrigeerde ziekenhuissterfte daalde van 23,1% tot 18,6%. Na correctie voor leeftijd, comorbiditeiten, ziekenhuis-type, indexscore en clusteren per ziekenhuis, waren de kansen op overlijden in het ziekenhuis 18% lager in de post-implementatiegroep, een gecorrigeerde odds ratio van 0,82. Escalatie van zorg bleef dicht bij 1% in beide perioden, dus de extra verkeer van het respons-team vertaalde zich niet in een golf van nieuwe intensieve zorg-overdrachten.

Hoe het model heeft gefaald in head-to-head tests

Ziekenhuis risicovoorbeeldmodellen worden meestal beoordeeld op hoe goed ze patiënten die verslechteren scheiden van patiënten die dat niet doen, en die literatuur is ruw voor deze specifieke score. In de grootste gepubliceerde analyse van de Epic-index tot nu toe, beoordeelden onderzoekers van Yale New Haven Health en de Universiteit van Chicago zes vroegwaarschuwingsystemen tegen dezelfde 362.926 patiëntontmoetingen in zeven ziekenhuizen en plaatsten het bijna onderaan, met een gebied onder de curve van 0,808. Dat volgde de National Early Warning Score met 0,829, een puntenstelsel dat een clinicus met de hand kan optellen, en stond ver achter de machine-learning eCART-model met 0,895.

De leidtijd was de scherpere kloof. De hoge-risico-alarmen van de Epic-score arriveerden met een mediaan van één uur voor verslechtering, tegen 11 uur voor eCART en acht voor de handberekeningscore, en de auteurs noteerden dat eerdere werk suggereert dat het overbrengen van een patiënt naar intensieve zorg binnen vier tot zes uur na het bereiken van de verslechteringcriteria de resultaten verbetert. Yale New Haven zei dat het zijn zeven ziekenhuizen in januari 2024 op eCART zette op basis van die bevindingen.

Diezelfde vergelijking noteerde dat de FDA klinische beslissingsondersteuningssoftware die gegevens uit het dossier leest om verslechterende patiënten te markeren, behandelt als een gereguleerd medisch apparaat, en dat alleen twee algemene vroegwaarschuwingscores op dat moment waren goedgekeurd: de Rothman Index en eCART. De Epic-index, de meest beschikbare van de groep, is niet door die beoordeling gegaan, en zijn eigen ontwikkelings- en validatiewerk is niet verschenen in een peer-reviewed tijdschrift. Het recordsysteem van Epic dekte ongeveer 48% van de acute zorgziekenhuisbedden in de VS in 2022, volgens het cijfer genoemd in dat artikel, dus de score wordt berekend in een zeer groot aantal gebouwen.

Wat ziekenhuizen die Epic gebruiken ervan kunnen leren

De senior auteur verwoordde de verzoening duidelijk. “Het mortaliteitsvoordeel werd niet gegenereerd door een algoritme, maar door de samenwerking rond het algoritme”, zei Stephen P. O’Mahony, chief medical information officer bij RWJBarnabas Health.

De auteurs geven de credits aan een pakket van veranderingen in plaats van alleen de score: clinici-educatie, alarmafstemming tijdens de initiële proef bij Robert Wood Johnson University Hospital, de geautomatiseerde notificaties en een staand respons-team met critical-care-staf om te sturen. Lees het naast de Yale-vergelijking, dat is de werkende bevinding voor iedereen die het instrument gebruikt. Het mortaliteitsverschil volgde het respons-systeem dat rond de score is gebouwd, niet de rangorde van de score tegen zijn concurrenten.

De groep evalueert momenteel alarmen die worden geactiveerd door hoe snel de risicoscore van een patiënt stijgt in plaats van het niveau dat hij bereikt, op basis van de theorie dat snelheid meer waarschuwing koopt dan een drempeloverschrijding. Voor de vele ziekenhuizen die dit model al op de achtergrond draaien, is de overdraagbare helft van de studie operationeel: wie wordt gepagineerd, hoe snel, en wie arriveert bij het bed.