Cảnh báo Deterioration của Epic gắn với tỷ lệ tử vong thấp hơn tại bệnh viện

Việc kết nối một mô hình dự đoán bệnh viện được triển khai rộng rãi với các trang tự động cho các đội chăm sóc quan trọng đã được liên kết với việc giảm 18% nguy cơ tử vong trong bệnh viện, theo một nghiên cứu về 23.132 bệnh nhân có nguy cơ cao được công bố trên NEJM AI vào ngày 29 tháng 7 năm 2026. Các nhà nghiên cứu tại Rutgers Robert Wood Johnson Medical School và RWJBarnabas Health đã theo dõi việc triển khai mô hình này tại 11 bệnh viện New Jersey, từ một trung tâm y tế học thuật xuống các cơ sở không giảng dạy cộng đồng.

Mô hình này là Epic Deterioration Index, một điểm số máy học độc quyền mà Epic cung cấp trong hệ thống hồ sơ sức khỏe điện tử của họ. Nó đọc các dấu hiệu quan trọng, kết quả xét nghiệm, đánh giá của y tá và tuổi tác đã có trong hồ sơ và trả về một số rủi ro trên thang điểm 0-100, mà thông báo của chính hệ thống cho biết được tính toán lại mọi 15 phút. Điều mà RWJBarnabas thay đổi là việc định tuyến: một khi bệnh nhân vượt qua ngưỡng rủi ro cao nhất, hồ sơ sẽ đẩy một thông báo trực tiếp đến đội phản ứng nhanh của bệnh viện.

Các con số cho thấy

Đội ngũ nghiên cứu đã thực hiện một so sánh tiền-thử nghiệm, phân tầng, trước và sau khi triển khai thay vì một thử nghiệm ngẫu nhiên. Nó bao gồm các nhập viện phẫu thuật y khoa của người lớn với điểm số 60 hoặc cao hơn trên chỉ số từ ngày 1 tháng 10 năm 2022 đến ngày 30 tháng 8 năm 2024: 10.803 bệnh nhân trước khi thay đổi và 12.329 bệnh nhân sau khi thay đổi, với độ tuổi trung bình là 71,9 năm. Khoảng 47% số lần gặp sau khi triển khai đã tạo ra một trang cho đội phản ứng, mặc dù không phải mọi trang đều tạo ra một hoạt động.

Các hoạt động phản ứng nhanh trong số những bệnh nhân này đã tăng từ 25,3% số lần lưu trú tại bệnh viện lên 37,5%. Tỷ lệ tử vong trong bệnh viện không điều chỉnh đã giảm từ 23,1% xuống 18,6%. Sau khi điều chỉnh cho tuổi tác, bệnh đồng thời, loại bệnh viện, điểm số chỉ số và phân cụm theo bệnh viện, khả năng tử vong trong bệnh viện thấp hơn 18% trong nhóm sau khi triển khai, với tỷ lệ khả năng điều chỉnh là 0,82. Việc tăng cấp chăm sóc đã giữ gần 1% trong cả hai giai đoạn, vì vậy lưu lượng phản ứng đội tăng thêm không chuyển thành một làn sóng chuyển mới đến chăm sóc đặc biệt.

Mô hình đã hoạt động như thế nào trong các thử nghiệm đối đầu

Các mô hình dự đoán rủi ro của bệnh viện thường được đánh giá dựa trên khả năng phân biệt bệnh nhân suy giảm so với những người không suy giảm, và văn học đã chỉ trích mô hình này về điểm số này. Trong phân tích lớn nhất về chỉ số Epic được công bố cho đến nay, các nhà nghiên cứu tại Yale New Haven Health và Đại học Chicago đánh giá sáu hệ thống cảnh báo sớm so với 362.926 lần gặp bệnh nhân trên bảy bệnh viện và xếp nó gần cuối, với diện tích dưới đường cong là 0,808. Điều này thấp hơn so với điểm số cảnh báo sớm quốc gia ở mức 0,829, một hệ thống điểm mà một nhà lâm sàng có thể tính toán bằng tay, và thấp hơn nhiều so với mô hình eCART học máy ở mức 0,895.

Khoảng thời gian là khoảng cách rõ ràng hơn. Các cảnh báo nguy cơ cao của điểm số Epic đến với khoảng thời gian trung vị là một giờ trước khi suy giảm, so với 11 giờ đối với eCART và tám giờ đối với điểm số tính bằng tay, và các tác giả lưu ý rằng các công việc trước đây cho thấy việc di chuyển bệnh nhân đến chăm sóc đặc biệt trong bốn đến sáu giờ sau khi đáp ứng tiêu chí suy giảm là nơi kết quả được cải thiện. Yale New Haven cho biết họ đã chuyển bảy bệnh viện của mình sang eCART vào tháng 1 năm 2024 dựa trên những phát hiện đó.

Cũng như so sánh đó, FDA coi phần mềm hỗ trợ quyết định lâm sàng đọc dữ liệu biểu đồ để đánh dấu bệnh nhân suy giảm là một thiết bị y tế được quản lý, và chỉ có hai điểm số cảnh báo sớm chung đã được thông qua vào thời điểm đó: chỉ số Rothman và eCART. Chỉ số Epic, được sử dụng rộng rãi nhất trong nhóm, chưa trải qua quá trình xem xét này, và công việc phát triển và xác thực của nó chưa xuất hiện trong một tạp chí được đánh giá ngang hàng. Hệ thống hồ sơ của Epic bao gồm khoảng 48% giường bệnh cấp cứu của Mỹ vào năm 2022, theo con số được trích dẫn trong bài báo đó, vì vậy điểm số đang được tính toán trong một số lượng lớn các tòa nhà.

Các bệnh viện chạy Epic có thể rút ra điều gì

Tác giả cao cấp đã nêu rõ sự hòa giải. “Lợi ích về tỷ lệ tử vong không được tạo ra bởi một thuật toán mà bởi sự hợp tác xung quanh thuật toán”, Stephen P. O’Mahony, giám đốc thông tin y tế tại RWJBarnabas Health cho biết.

Các tác giả ghi nhận một gói thay đổi chứ không chỉ là điểm số: giáo dục lâm sàng, điều chỉnh cảnh báo trong giai đoạn thử nghiệm ban đầu tại Bệnh viện Đại học Robert Wood Johnson, các thông báo tự động và một đội phản ứng thường trực với nhân viên chăm sóc quan trọng để gửi. Đọc cạnh so sánh của Yale, đó là phát hiện hoạt động cho bất kỳ ai khác đang chạy công cụ này. Sự khác biệt về tỷ lệ tử vong theo hệ thống phản ứng được xây dựng xung quanh điểm số, không phải điểm số so với các đối thủ của nó.

Nhóm hiện đang đánh giá các cảnh báo được kích hoạt bởi tốc độ mà điểm số rủi ro của bệnh nhân tăng lên chứ không phải mức mà nó đạt được, dựa trên lý thuyết rằng vận tốc mua nhiều cảnh báo hơn là việc vượt qua ngưỡng. Đối với nhiều bệnh viện đã có mô hình này chạy ở chế độ nền, nửa có thể chuyển giao của nghiên cứu là hoạt động: ai nhận được trang, làm thế nào nhanh và ai đến giường bệnh.