Epics AI-forverring av dødelighet knyttet til lavere sykehusdødelighet

Å koble en bredt distribuert sykehusprediksjonsmodell til automatiske sider for kritiske omsorgsteam ble forbundet med en 18% reduksjon i justerte odds for innleggelsesdødelighet, ifølge en studie av 23 132 høyrisikopasienter publisert i NEJM AI den 29. juli 2026. Forskere ved Rutgers Robert Wood Johnson Medical School og RWJBarnabas Health fulgte implementeringen på 11 sykehus i New Jersey, fra et akademisk medisinsk senter til kommunale ikke-undervisningssykehus.

Modellen er Epic Deterioration Index, en proprietær maskinlæringspoeng som Epic leverer i sin elektroniske helsejournal. Den leser vitaltegn, laboratorieresultater, sykepleieevalueringer og alder som allerede er i journalen og returnerer en risikonummer på en skala fra 0 til 100, som helse-systemets egen annonsering sier beregnes hver 15. minutt. Hva RWJBarnabas endret, var rutingen: Når en pasient krysserte den høyeste risikoterskelen, sendte journalen en notifikasjon direkte til sykehusets raske respons-team.

Hva tallene viser

Teamet utførte en quasi-eksperimentell, stagget pre- versus post- implementerings-sammenligning i stedet for en randomisert prøve. Den dekket voksne medisinske-kirurgiske innleggelser som scoret 60 eller høyere på indeksen mellom 1. oktober 2022 og 30. august 2024: 10 803 pasienter før endringen og 12 329 etter, med en gjennomsnittsalder på 71,9 år. Omtrent 47% av post- implementerings-møter genererte en side til respons-teamet, selv om ikke hver side produserte en aktivering.

Raske respons-aktiveringer blant disse pasientene økte fra 25,3% av sykehusopphold til 37,5%. Ujustert innleggelses-dødelighet falt fra 23,1% til 18,6%. Etter justering for alder, komorbiditeter, sykehus-type, indeks-poeng og klastering etter sykehus, var oddsen for å dø på sykehuset 18% lavere i post- implementerings-gruppen, en justert odds-forhold på 0,82. Eskaleringer av omsorg holdt nær 1% i begge perioder, så den ekstra respons-team-trafikken ikke oversatte til en bølge av nye intensiv-omsorgsoverføringer.

Hvordan modellen har fungert i head-to-head-tester

Sykehus risiko-prediksjonsmodeller dømmes vanligvis ut ifra hvor godt de skiller pasienter som forverrer seg fra pasienter som ikke gjør det, og den litteraturen har vært tøff på denne poenget. I den største publiserte analysen av Epic-indeksen hittil, scoret forskere ved Yale New Haven Health og University of Chicago seks tidlige advarselsystemer mot det samme 362 926 pasient-møter over sykehus og plasserte den nær bunnen, med et område under kurven på 0,808. Det fulgte National Early Warning Score på 0,829, et poengsystem en kliniker kan summere opp for hånd, og satt langt bak maskinlærings-eCART-modellen på 0,895.

Lead-tid var den skarpeste gapet. Epic-poengets høyrisiko-advarsler ankom en median på en time før forverring, mot 11 timer for eCART og åtte for hånd-regnet poeng, og forfatterne noterte at tidligere arbeid tyder på at å flytte en pasient til intensiv-omsorg innen fire til seks timer etter å ha møtt forverringskriterier er der hvor resultater forbedres. Yale New Haven sa at de flyttet sine sykehus til eCART i januar 2024 på styrken av disse funnene.

Den samme sammenligningen noterte at FDA behandler klinisk beslutnings-støtte-programvare som leser journaldata for å flagge forverrende pasienter som et regulert medisinsk utstyr, og at bare to generelle tidlige advarselspoeng hadde blitt godkjent på det tidspunktet: Rothman-indeksen og eCART. Epic-indeksen, den mest tilgjengelige i gruppen, har ikke gått gjennom denne gjennomgangen, og dens egen utvikling og valideringsarbeid har ikke blitt publisert i en fagfellevurdert tidsskrift. Epics journal-system dekket omtrent 48% av USAs akutte sykehus-senger i 2022, ifølge tallene i den papiren, så poenget beregnes i et svært stort antall bygninger.

Hva sykehus som kjører Epic kan ta fra det

Senior-forfatteren uttrykte forsoningen på en enkel måte. “Dødelighetsfordelen ble ikke produsert av en algoritme, men av partnerskapet rundt algoritmen,” sa Stephen P. O’Mahony, chief medical information officer ved RWJBarnabas Health.

Forfatterne krediterer en pakke med endringer i stedet for poenget alene: klinisk utdanning, advarsel-justering under den innledende piloten på Robert Wood Johnson University Hospital, de automatiserte notifikasjonene og et stående respons-team med kritisk-omsorgspersonale å sende. Les neste til Yale-sammenligningen, det er fungerende funn for noen andre som kjører verktøyet. Dødelighetsforskjellen fulgte respons-systemet bygget rundt poenget, ikke poengets rangering mot konkurrentene.

Gruppen evaluerer nå advarsler utløst av hvor raskt en pasients risikopoeng stiger i stedet for nivået det når, på teorien om at hastighet kjøper mer varsel enn en terskel-overgang gjør. For de mange sykehusene som allerede har denne modellen kjørende i bakgrunnen, er den overførbare halvdelen av studien operativ: hvem som får en side, hvor raskt, og hvem som ankommer ved sengen.