Предупреждения о ухудшении состояния пациентов в Epic связаны с более низкой смертностью в больницах

Подключение широко используемой модели прогнозирования в больницах к автоматическим страницам для команд критической помощи было связано с 18% снижением риска смерти в больнице, согласно исследованию 23 132 высокорискованных пациентов опубликованному в NEJM AI 29 июля 2026 года. Исследователи в Rutgers Robert Wood Johnson Medical School и RWJBarnabas Health отслеживали внедрение модели в 11 больницах Нью-Джерси, от академического медицинского центра до общественных неклинических учреждений.

Модель представляет собой Epic Deterioration Index, проприетарный балл машинного обучения, который Epic поставляет вместе со своей электронной системой здравоохранения. Она читает жизненно важные показатели, результаты лабораторных исследований, оценки медсестер и возраст, уже имеющиеся в карте, и возвращает риск от 0 до 100, который, по заявлению системы здравоохранения, пересчитывается каждые 15 минут. То, что изменилось в RWJBarnabas, – это маршрутизация: как только пациент перешагнул через самый высокий порог риска, карта отправляла уведомление прямо в команду быстрого реагирования больницы.

Что показывают цифры

Команда провела квазиэкспериментальное, ступенчатое сравнение до и после внедрения, а не рандомизированное исследование. Оно охватило взрослых медицинских и хирургических поступлений с оценкой 60 или выше по индексу между 1 октября 2022 года и 30 августа 2024 года: 10 803 пациента до изменения и 12 329 после, со средним возрастом 71,9 года. Примерно 47% постимплентационных встреч сгенерировали страницу команде реагирования, хотя не каждая страница привела к активации.

Активации быстрого реагирования среди этих пациентов возросли с 25,3% пребывания в больнице до 37,5%. Не скорректированная смертность в больнице снизилась с 23,1% до 18,6%. После корректировки на возраст, сопутствующие заболевания, тип больницы, оценку индекса и кластеризацию по больнице вероятность смерти в больнице была на 18% ниже в группе после внедрения, скорректированное соотношение шансов 0,82. Эскалация ухода держалась на уровне около 1% в обеих периодах, поэтому дополнительный трафик команды реагирования не привел к волне новых переводов в отделение интенсивной терапии.

Как модель проявила себя в тестах один на один

Модели прогнозирования риска в больницах обычно оцениваются по их способности различать пациентов, которые ухудшаются, и тех, кто нет, и в этой литературе этот балл был подвергнут критике. В крупнейшем опубликованном анализе индекса Epic на сегодняшний день исследователи в Yale New Haven Health и Университете Чикаго оценили шесть ранних систем предупреждения на 362 926 пациентских встреч в семи больницах и поставили его gầnко к нижней части списка, с площадью под кривой 0,808. Это было хуже, чем у Национального раннего балла предупреждения на уровне 0,829, системы баллов, которую клиницист может посчитать вручную, и значительно хуже, чем у модели машинного обучения eCART на уровне 0,895.

Время до предупреждения было более существенным разрывом. Высокорисковые предупреждения индекса Epic поступали в медиане за один час до ухудшения, по сравнению с 11 часами для eCART и 8 часами для ручного балла, и авторы отметили, что более ранние работы предполагают, что перевод пациента в отделение интенсивной терапии в течение 4-6 часов после удовлетворения критериям ухудшения – это то место, где улучшается результат. Yale New Haven сказала, что она перевела свои семь больниц на eCART в январе 2024 года на основе этих результатов.

То же сравнение отметило, что FDA относит программное обеспечение для поддержки клинических решений, которое читает данные карты для выявления ухудшающихся пациентов, к регулируемым медицинским устройствам, и что только два общих ранних балла предупреждения были одобрены на тот момент: индекс Ротмана и eCART. Индекс Epic, наиболее широко доступный из этой группы, не прошел этот обзор, и его собственная разработка и валидация не были опубликованы в рецензируемом журнале. Система записи Epic охватывала примерно 48% острого ухода в больницах США в 2022 году, по цитируемой в той работе цифре, поэтому этот балл рассчитывается в очень большом количестве зданий.

Что больницы, использующие Epic, могут извлечь из этого

Старший автор прямо сформулировал примирение. “Преимущество в смертности не было произведено алгоритмом, а партнерством вокруг алгоритма”, – сказал Стивен П. О’Махони, главный медицинский информационный офицер в RWJBarnabas Health.

Авторы отдают должное пакету изменений, а не только баллу: образование клиницистов, настройка предупреждений во время первоначального пилотного проекта в больнице Роберта Вуда Джонсона, автоматические уведомления и стоящую команду реагирования с критической помощью для отправки. Если прочитать это рядом с сравнением Yale, это является рабочим результатом для всех, кто еще использует этот инструмент. Разница в смертности отслеживала систему реагирования, построенную вокруг балла, а не рейтинг балла среди его конкурентов.

Группа сейчас оценивает предупреждения, срабатывающие по скорости роста риска пациента, а не по уровню, на котором он находится, на теории, что скорость дает больше предупреждения, чем пересечение порога. Для многих больниц, которые уже имеют эту модель, работающую на фоне, передаваемая половина исследования является операционной: кто получает страницу, как быстро, и кто прибывает к постели пациента.