Сповіщення про погіршення стану Epic пов’язані зі зниженням госпітальної смертності

Підключення широко розгорнутого госпітального прогностичного моделі до автоматичних сторінок для команд критичної допомоги було пов’язано з 18% зниженням ризик-корегованих шансів госпітальної смерті, згідно з дослідженням 23 132 високоризикових пацієнтів опублікованим у NEJM AI 29 липня 2026 року. Дослідники з Rutgers Robert Wood Johnson Medical School і RWJBarnabas Health відстежували впровадження моделі у 11 госпіталях Нью-Джерсі, від академічного медичного центру до громадських неклінічних закладів.

Модель – це Epic Deterioration Index, пропрієтарний машинно-навчальний бал, який Epic поставляє всередині своєї електронної медичної карти. Він читає життєво важливі показники, результати лабораторних досліджень, оцінки медсестер і вік, які вже знаходяться в картці, і повертає ризиковий бал на шкалі від 0 до 100, який, згідно з власним оголошенням системи охорони здоров’я RWJBarnabas Health, переглядається кожні 15 хвилин. Що змінилося в RWJBarnabas, так це маршрутизація: як тільки пацієнт перетнув поріг найбільшої ризиковості, медична карта надсилала сповіщення безпосередньо до госпітальної швидкої реагування команди.

Що показують цифри

Команда провела квазі-експериментальне, стратифіковане порівняння до та після впровадження, а не рандомізоване дослідження. Воно охоплювало дорослих медично-хірургічних госпіталізацій з балом 60 або вище за індекс між 1 жовтня 2022 року та 30 серпня 2024 року: 10 803 пацієнти до зміни та 12 329 після неї, з середнім віком 71,9 року. Приблизно 47% післявпровадених контактів згенерували сторінку до команди реагування, хоча не кожна сторінка призвела до активації.

Активації швидкої реагування серед цих пацієнтів зросли з 25,3% госпіталізацій до 37,5%. Без调整 госпітальна смертність зменшилася з 23,1% до 18,6%. Після коригування за віком, супутніми захворюваннями, типом госпіталю, індексним балом та кластеризацією за госпіталем шанси померти в госпіталі були на 18% нижчі в групі після впровадження, коригований коефіцієнт шансів 0,82. Ескалації лікування трималися біля 1% в обидва періоди, тому додатковий трафік команди реагування не призвів до хвилі нових переводів до інтенсивної терапії.

Як модель виступила в тестах один проти одного

Госпітальні моделі прогнозування ризику зазвичай оцінюються за тим, як добре вони розрізняють пацієнтів, які погіршуються, від тих, хто не погіршується, і література щодо цього була досить критичною щодо цього показника. У найбільшій опублікованій аналізі індексу Epic до сих пір дослідники з Yale New Haven Health та Університету Чикаго оцінили шість систем раннього попередження проти тих самих 362 926 контактів пацієнтів у семи госпіталях і поставили його gần до низу, з площею під кривою 0,808. Це було нижче Національного раннього попередження балу на рівні 0,829, системи балів, яку клініцист може підрахувати вручну, і значно нижче машинно-навчальної моделі eCART на рівні 0,895.

Часовий зазор був більш вираженим. Сповіщення про високий ризик індексу Epic надходили за медіану одного року до погіршення, проти 11 годин для eCART та восьми для ручного розрахунку, і автори відзначили, що попередня робота свідчить про те, що переведення пацієнта до інтенсивної терапії протягом чотирьох до шести годин після того, як він відповідає критеріям погіршення, покращує результати. Yale New Haven повідомила, що вона перевела свої сім госпіталів на eCART у січні 2024 року на підставі цих висновків.

Те саме порівняння відзначило, що FDA відноситься до клінічного рішення підтримки програмного забезпечення, яке читає дані медичної карти для ідентифікації погіршення стану пацієнтів, як до регульованого медичного пристрою, і що лише дві загальні ранні попередження мали clearance на той момент: індекс Rothman та eCART. Індекс Epic, найбільш широко доступний у групі, не пройшов цю перевірку, а його власна розробка та валідизація не були опубліковані в рецензованому журналі. Система медичної карти Epic охоплювала близько 48% ліжок госпіталів США у 2022 році, згідно з цифрою, наведеною в цій статті, тому індекс обчислюється у дуже великій кількості будівель.

Що госпіталі, які використовують Epic, можуть вивести з цього

Старший автор виразив примирення просто. “Перевага щодо смертності не була створена алгоритмом, а партнерством навколо алгоритму”, – сказав Стівен П. О’Магоні, головний медичний інформаційний офіцер RWJBarnabas Health.

Автори віддають перевагу пакету змін, а не самому балу: освіта клініцистів, налаштування сповіщень під час початкового пілотного проекту в госпіталі Роберта Вуда Джонсона, автоматичні сповіщення та постійну команду реагування з критичної допомоги для направлення. Читачі порівняння з Yale бачать, що це є робочим висновком для будь-якого іншого, хто використовує інструмент. Різниця у смертності відстежувала систему реагування, побудовану навколо балу, а не рейтинг балу проти його конкурентів.

Група зараз оцінює сповіщення, викликані тим, як швидко ризиковий бал пацієнта зростає, а не тим, який рівень він досягає, на підставі того, що швидкість дає більше попередження, ніж перетин порогу. Для багатьох госпіталів, які вже мають цю модель у фоновому режимі, переносима половина дослідження є операційною: хто отримує сторінку, як швидко, і хто прибуває до ліжка пацієнта.