Alerty Deterioracji Epic Związane z Niższą Śmiertelnością w Szpitalach

Podłączenie szeroko wdrożonego modelu predykcyjnego szpitala do automatycznych powiadomień dla zespołów opieki krytycznej było związane ze zmniejszeniem o 18% ryzyka zgonu w szpitalu, zgodnie z badaniem 23 132 pacjentów wysokiego ryzyka opublikowanym w NEJM AI 29 lipca 2026 r. Naukowcy z Rutgers Robert Wood Johnson Medical School i RWJBarnabas Health śledzili wdrożenie w 11 szpitalach w New Jersey, od akademickiego centrum medycznego po placówki społeczne niebędące placówkami nauczania.

Model to Epic Deterioration Index, własny wskaźnik machine learning, który Epic dostarcza w ramach elektronicznej dokumentacji medycznej. Czyta parametry życiowe, wyniki badań laboratoryjnych, oceny pielęgniarskie i wiek, które już znajdują się w dokumentacji, i zwraca liczbę ryzyka w skali od 0 do 100, co własne ogłoszenie systemu zdrowia mówi, że jest przeliczane co 15 minut. To, co zmieniło RWJBarnabas, to trasowanie: gdy pacjent przekroczył najwyższy próg ryzyka, dokumentacja wysyłała powiadomienie bezpośrednio do zespołu szybkiej odpowiedzi szpitala.

Co pokazują liczby

Zespół przeprowadził quasi-eksperymentalne, stopniowe porównanie przed i po wdrożeniu, a nie losowe badanie. Objęło to przyjęcia medyczno-chirurgiczne dorosłych z wynikiem 60 lub wyższym w indeksie między 1 października 2022 r. a 30 sierpnia 2024 r.: 10 803 pacjentów przed zmianą i 12 329 po zmianie, przy średnim wieku 71,9 lat. Około 47% spotkań po wdrożeniu wygenerowało powiadomienie do zespołu odpowiedzi, chociaż nie każde powiadomienie spowodowało aktywację.

Aktywacje szybkiej odpowiedzi wśród tych pacjentów wzrosły z 25,3% do 37,5% pobytów w szpitalu. Nieprzekorygowana śmiertelność w szpitalu spadła z 23,1% do 18,6%. Po skorygowaniu o wiek, choroby współistniejące, typ szpitala, wynik indeksu i grupowanie według szpitala, ryzyko zgonu w szpitalu było o 18% niższe w grupie po wdrożeniu, co daje skorygowany współczynnik szans 0,82. Eskalacje opieki utrzymywały się na poziomie około 1% w obu okresach, więc zwiększony ruch zespołu odpowiedzi nie przekładał się na falę nowych transferów do intensywnej terapii.

Jak model radził sobie w testach bezpośrednich

Modele predykcyjne ryzyka szpitali są zwykle oceniane pod kątem ich zdolności do rozróżniania pacjentów, którzy się pogarszają, od tych, którzy nie pogarszają się, a literatura na ten temat była surowa dla tego konkretnego wyniku. W największej opublikowanej analizie indeksu Epic do tej pory naukowcy z Yale New Haven Health i Uniwersytetu Chicagowskiego ocenili sześć wczesnych systemów ostrzegawczych w odniesieniu do tych samych 362 926 spotkań pacjentów w siedmiu szpitalach i umieścili go blisko dołu, z obszarem pod krzywą 0,808. To było gorsze niż wynik National Early Warning Score wynoszący 0,829, systemu punktowego, który klinicysta może policzyć ręcznie, i znacznie gorzej niż model machine learning eCART, który osiągnął 0,895.

Przewaga czasowa była większa. Alerty o wysokim ryzyku indeksu Epic pojawiły się medianie o jedną godzinę przed pogorszeniem, w porównaniu z 11 godzinami dla eCART i ośmioma dla ręcznie obliczanego wyniku, a autorzy zauważyli, że wcześniejsze prace sugerują, że przeniesienie pacjenta do intensywnej terapii w ciągu czterech do sześciu godzin od spełnienia kryteriów pogorszenia się, to miejsce, w którym poprawiają się wyniki. Yale New Haven powiedział, że przeniósł swoje siedem szpitali na eCART w styczniu 2024 r. na podstawie tych ustaleń.

To samo porównanie zauważyło, że FDA traktuje oprogramowanie wspierające decyzje kliniczne, które czyta dane z dokumentacji, aby zidentyfikować pogarszających się pacjentów, jako urządzenie medyczne podlegające regulacji, i że tylko dwa ogólne wskaźniki wczesnego ostrzegania zostały zatwierdzone w tym czasie: Rothman Index i eCART. Indeks Epic, najbardziej dostępny w grupie, nie przeszedł przez tę recenzję, a jego praca rozwojowa i walidacyjna nie ukazała się w recenzowanym czasopiśmie. System rejestracji Epic obejmował około 48% łóżek szpitali ostrych w USA w 2022 r., według danych z tego artykułu, więc wskaźnik jest obliczany w bardzo dużej liczbie budynków.

Co szpitale korzystające z Epic mogą z niego wyciągnąć

Starszy autor wyjaśnił to w prosty sposób. “Korzyść ze zmniejszenia śmiertelności nie została wyprodukowana przez algorytm, ale przez partnerstwo wokół algorytmu”, powiedział Stephen P. O’Mahony, główny oficer medyczny informacji w RWJBarnabas Health.

Autorzy przypisują pakiet zmian, a nie samemu wskaźnikowi: edukację klinicystów, dostrojenie alertów podczas początkowego pilotażu w Robert Wood Johnson University Hospital, automatyczne powiadomienia i stały zespół odpowiedzi z personelem opieki krytycznej do wysłania. Czytane obok porównania Yale, to jest operatywne ustalenie dla wszystkich innych, którzy używają tego narzędzia. Różnica w śmiertelności szpitalnej była związana z systemem odpowiedzi zbudowanym wokół wskaźnika, a nie z rankingiem wskaźnika wśród jego konkurentów.

Grupa obecnie ocenia alerty wywoływane przez to, jak szybko wskaźnik ryzyka pacjenta się zwiększa, a nie poziom, jaki osiąga, na teorię, że prędkość daje więcej ostrzeżeń niż przekroczenie progu. Dla wielu szpitali, które już mają ten model działający w tle, przenoszalna połowa badania jest operacyjna: kto otrzymuje powiadomienie, jak szybko i kto przychodzi do łóżka pacjenta.