การเตือนการเสื่อมสภาพของ Epic ที่เชื่อมโยงกับการเสียชีวิตในโรงพยาบาลที่ลดลง

การเชื่อมต่อแบบจำลองการคาดการณ์ของโรงพยาบาลที่ใช้กันอย่างแพร่หลายกับการแจ้งเตือนอัตโนมัติสำหรับทีมดูแลผู้ป่วยวิกฤตถูกพบว่ามีความสัมพันธ์กับการลดลง 18% ของความเสี่ยงในการเสียชีวิตในโรงพยาบาลที่ปรับตามอายุและโรคประจำตัว ตามการศึกษาของ 23,132 ผู้ป่วยที่มีความเสี่ยงสูง ที่ตีพิมพ์ในวารสาร NEJM AI เมื่อวันที่ 29 กรกฎาคม 2026 นักวิจัยจาก Rutgers Robert Wood Johnson Medical School และ RWJBarnabas Health ติดตามการนำแบบจำลองไปใช้ใน 11 โรงพยาบาลในนิวเจอร์ซีย์ ตั้งแต่ศูนย์แพทย์ศึกษาไปจนถึงโรงพยาบาลชุมชน

แบบจำลองนี้คือ Epic Deterioration Index ซึ่งเป็นแบบจำลองการเรียนรู้ของเครื่องจักรที่ Epic ส่งมอบพร้อมกับ ระบบบันทึกสุขภาพอิเล็กทรอนิกส์ ของตนเอง มันจะอ่านสัญญาณชีวิตผลการตรวจวินิจฉัยการประเมินของพยาบาลและอายุแล้วคืนค่าความเสี่ยงที่อยู่ในช่วง 0-100 ซึ่ง ประกาศของระบบสุขภาพ ระบุว่าคำนวณทุกๆ 15 นาที สิ่งที่ RWJBarnabas เปลี่ยนคือการกำหนดเส้นทาง: เมื่อผู้ป่วยตกอยู่ในเกณฑ์ความเสี่ยงที่สุด ระบบจะส่งการแจ้งเตือนไปยังทีมตอบสนองเร่งด่วนของโรงพยาบาลโดยตรง

สิ่งที่ตัวเลขแสดง

ทีมงานใช้การเปรียบเทียบแบบกึ่งทดลอง โดยเปรียบเทียบระหว่างช่วงก่อนและหลังการนำไปใช้ โดยครอบคลุมผู้ป่วยผู้ใหญ่ที่เข้ารับการรักษาในโรงพยาบาลที่มีคะแนนดัชนี 60 หรือสูงกว่า ระหว่างวันที่ 1 ตุลาคม 2022 ถึง 30 สิงหาคม 2024: 10,803 ผู้ป่วยก่อนการเปลี่ยนแปลงและ 12,329 ผู้ป่วยหลังการเปลี่ยนแปลง โดยมีอายุเฉลี่ย 71.9 ปี ประมาณ 47% ของการพบผู้ป่วยหลังการเปลี่ยนแปลงทำให้เกิดการแจ้งเตือนไปยังทีมตอบสนองเร่งด่วน แม้ว่าการแจ้งเตือนไม่ได้ทำให้เกิดการกระตุ้นเสมอไป

การกระตุ้นทีมตอบสนองเร่งด่วนในผู้ป่วยเหล่านี้เพิ่มขึ้นจาก 25.3% ของการเข้ารับการรักษาในโรงพยาบาลเป็น 37.5% อัตราการเสียชีวิตในโรงพยาบาลที่ไม่ได้ปรับลดลงจาก 23.1% เป็น 18.6% หลังจากปรับตามอายุ โรคประจำตัว ประเภทโรงพยาบาล คะแนนดัชนี และการแบ่งกลุ่มตามโรงพยาบาล ความเสี่ยงในการเสียชีวิตในโรงพยาบาลในกลุ่มหลังการเปลี่ยนแปลงนั้นต่ำกว่า 18% โดยมีอัตราอัตราส่วนความเสี่ยงปรับ 0.82 การเพิ่มระดับการรักษาใกล้เคียง 1% ในทั้งสองช่วง ดังนั้นการเพิ่มการเข้าถึงทีมตอบสนองเร่งด่วนจึงไม่ได้ทำให้เกิดการโอนผู้ป่วยเข้าสู่ห้องไอซียูใหม่

แบบจำลองได้ทำอย่างไรในการทดสอบแบบตัวต่อตัว

แบบจำลองการคาดการณ์ความเสี่ยงของโรงพยาบาลมักถูกประเมินตามความสามารถในการแยกผู้ป่วยที่เสื่อมสภาพออกจากผู้ป่วยที่ไม่เสื่อมสภาพ และงานวิจัยเกี่ยวกับเรื่องนี้ได้แสดงให้เห็นว่าแบบจำลอง Epic นั้นไม่ได้ผลดีนัก ในการวิเคราะห์ที่ใหญ่ที่สุดเกี่ยวกับดัชนี Epic ที่ตีพิมพ์จนถึงขณะนี้ นักวิจัยจาก Yale New Haven Health และ University of Chicago ประเมินระบบเตือนล่วงหน้า 6 ระบบ โดยใช้ข้อมูลผู้ป่วย 362,926 รายจาก 7 โรงพยาบาล และพบว่าดัชนี Epic อยู่ใกล้กับด้านล่าง โดยมีพื้นที่ใต้เส้นโค้ง 0.808 ซึ่งตามหลัง National Early Warning Score ที่ 0.829 ซึ่งเป็นระบบการให้คะแนนแบบมือ และอยู่ห่างจากแบบจำลอง eCART ที่ 0.895

ช่องว่างที่ชัดเจนกว่าคือช่วงเวลาที่ใช้ในการเตือนล่วงหน้า การเตือนล่วงหน้าของดัชนี Epic มาถึงก่อนที่ผู้ป่วยจะเสื่อมสภาพเป็นเวลา 1 ชั่วโมง ในขณะที่ eCART มาถึงล่วงหน้า 11 ชั่วโมง และคะแนนการเตือนล่วงหน้าแบบมือได้ 8 ชั่วโมง และผู้เขียนระบุว่างานวิจัยก่อนหน้านี้ชี้ให้เห็นว่าการย้ายผู้ป่วยเข้าสู่ห้องไอซียูภายใน 4-6 ชั่วโมงหลังจากที่ผู้ป่วยเข้าเกณฑ์การเสื่อมสภาพคือจุดที่ผลลัพธ์ดีขึ้น Yale New Haven ระบุ ว่าได้ย้ายโรงพยาบาล 7 แห่งไปใช้ eCART ในเดือนมกราคม 2024 ตามผลการวิจัยเหล่านั้น

การเปรียบเทียบนั้นยังระบุด้วยว่า FDA มองระบบสนับสนุนการตัดสินใจทางคลินิกที่อ่านข้อมูลจากบันทึกเพื่อเตือนผู้ป่วยที่เสื่อมสภาพว่าเป็นอุปกรณ์ทางการแพทย์ที่ได้รับการควบคุม และมีเพียงคะแนนเตือนล่วงหน้าสองแบบทั่วไปที่ได้รับการรับรองในขณะนั้น: Rothman Index และ eCART ดัชนี Epic ซึ่งเป็นแบบจำลองที่มีการใช้กันอย่างแพร่หลายที่สุดในกลุ่มนี้ ยังไม่ได้ผ่านการตรวจสอบนี้ และการทำงานพัฒนาและยืนยันของดัชนีนี้ยังไม่ได้ตีพิมพ์ในวารสารที่ผ่านการรีวิวโดยผู้ทรงคุณวุฒิ ระบบบันทึกของ Epic ครอบคลุมเกือบ 48% ของที่นอนโรงพยาบาลในประเทศสหรัฐอเมริกาในปี 2022 ตามตัวเลขที่อ้างอิงในงานวิจัยนั้น ดังนั้น ดัชนีนี้จึงคำนวณในอาคารจำนวนมาก

สิ่งที่โรงพยาบาลที่ใช้ Epic สามารถนำไปใช้ได้

ผู้เขียนอาวุโสอธิบายการปรองดองอย่างชัดเจน “ผลประโยชน์ต่อการเสียชีวิตไม่ได้มาจากอัลกอริทึม แต่มาจากความร่วมมือรอบๆ อัลกอริทึม” ตามที่ Stephen P. O’Mahony ประธานเจ้าหน้าที่ข้อมูลทางการแพทย์แห่ง RWJBarnabas Health ระบุ

ผู้เขียนให้เครดิตกับการเปลี่ยนแปลงหลายอย่างมากกว่าดัชนีเพียงอย่างเดียว: การศึกษาผู้เชี่ยวชาญ การตั้งค่าการเตือนล่วงหน้าระหว่างการนำรุ่นแรกไปใช้ที่ Robert Wood Johnson University Hospital การแจ้งเตือนอัตโนมัติ และทีมตอบสนองเร่งด่วนพร้อมพนักงานดูแลผู้ป่วยวิกฤตที่จะส่งไป เมื่ออ่านคู่กับการเปรียบเทียบของ Yale ผลการวิจัยที่สำคัญสำหรับผู้ที่ใช้เครื่องมือนี้คือการพบว่าผลต่างของการเสียชีวิตตามระบบการตอบสนองรอบๆ ดัชนี ไม่ใช่การให้คะแนนของดัชนีเทียบกับคู่แข่ง

กลุ่มนี้กำลังประเมินการแจ้งเตือนล่วงหน้าที่ถูกชักนำโดยความเร็วที่คะแนนความเสี่ยงของผู้ป่วยเพิ่มขึ้น มากกว่าระดับที่ถึงตามทฤษฎีว่าความเร็วจะให้การเตือนล่วงหน้ามากกว่าการข้ามเกณฑ์ สำหรับโรงพยาบาลหลายแห่งที่มีแบบจำลองนี้ทำงานอยู่ในพื้นหลัง ส่วนการถ่ายโอนของการศึกษานี้คือส่วนที่เป็นปฏิบัติการ: ใครที่ได้รับการแจ้งเตือนอย่างไร และใครที่มาถึงที่เตียงของผู้ป่วย