Epic 的 AI 劣化警报与较低的医院死亡率相关

将广泛部署的医院预测模型连接到自动页面以通知重症监护团队，据研究显示，高风险患者的风险调整死亡率降低了 18%。该研究发表在 NEJM AI 上，研究了 23,132 名高风险患者。罗格斯罗伯特伍德约翰逊医学院和 RWJBarnabas Health 的研究人员跟踪了该模型在 11 家新泽西州医院的部署情况，从学术医疗中心到社区非教学设施。

该模型是 Epic 劣化指数，一种专有的机器学习评分，Epic 将其集成到其电子健康记录中。它读取患者的生命体征、实验室结果、护理评估和年龄，并返回一个 0 到 100 的风险评分。RWJBarnabas Health 自己的公告称，该评分每 15 分钟重新计算一次。RWJBarnabas 做出的改变是通知路由：一旦患者超过最高风险阈值，记录就会直接推送通知到医院的快速响应团队。

数字显示什么

研究团队进行了一项准实验、分阶段的前后比较研究，而不是随机试验。研究涵盖了 2022 年 10 月 1 日至 2024 年 8 月 30 日之间入院的成年医疗外科患者，入院时 Epic 劣化指数评分为 60 或以上。研究共包括 10,803 名患者在实施变更之前，12,329 名患者在实施变更之后，平均年龄为 71.9 岁。实施变更后，大约 47% 的患者遇到会触发快速响应团队的页面，尽管并非所有页面都会触发激活。

在这些患者中，快速响应团队的激活率从 25.3% 上升到 37.5%。未经调整的医院死亡率从 23.1% 下降到 18.6%。在调整年龄、合并症、医院类型、指数评分和医院聚类等因素后，实施变更后的患者群体的死亡风险降低了 18%，调整后的比值比为 0.82。两期的护理升级率均保持在 1% 左右，因此增加的响应团队流量并没有转化为大量新的重症监护转院。

该模型在头对头测试中的表现

医院风险预测模型通常根据其区分劣化患者和非劣化患者的能力进行评估，而现有文献对 Epic 劣化指数的评分并不乐观。在迄今为止最大的关于 Epic 劣化指数的已发表分析中，耶鲁新哈芬健康和芝加哥大学的研究人员评估了六种早期预警系统，使用了七家医院的 362,926 名患者，并将 Epic 劣化指数排在底部，曲线下面积为 0.808。这低于国家早期预警评分（0.829），后者是一种可以手动计算的评分系统，也低于机器学习 eCART 模型（0.895）。

预警时间是更大的差距。Epic 评分的高风险警报在劣化之前的中位时间为一小时，而 eCART 模型和手动计算评分的中位预警时间分别为 11 小时和 8 小时。作者指出，之前的研究表明，将患者转移到重症监护室的时间窗口在满足劣化标准的 4 到 6 小时内，患者的预后会有所改善。耶鲁新哈芬表示，它已在 2024 年 1 月将七家医院迁移到了 eCART 模型，基于这些发现。

同一比较还指出，FDA 将读取图表数据以标记劣化患者的临床决策支持软件视为受监管的医疗器械，并且只有两个通用早期预警评分在当时获得了批准：Rothman 指数和 eCART 模型。Epic 劣化指数是这一组中最广泛可用的评分，但它尚未经过 FDA 审查，其开发和验证工作也未在同行评审期刊中发表。根据该论文中引用的数字，Epic 的记录系统在 2022 年覆盖了大约 48% 的美国急性护理医院床位，因此该评分在大量建筑物中计算。

使用 Epic 的医院可以得到什么

首席研究员直截了当地解释了这一点。“死亡率的降低并不是由算法本身带来的，而是由算法周围的合作，”RWJBarnabas Health 首席医疗信息官 Stephen P. O’Mahony 说。

作者认为，一系列变化的综合作用而非评分本身带来了死亡率的降低：临床医生教育、在罗伯特伍德约翰逊大学医院初步试点期间的警报调优、自动通知以及具有重症监护人员的常备响应团队。与耶鲁比较阅读后，对于其他使用该工具的医院来说，这是一个关键发现。死亡率的差异与围绕评分建立的响应系统有关，而不是评分在竞争对手中的排名。

该团队现在正在评估由患者风险评分上升速度触发的警报，而不是评分的水平，基于这样一种理论：速度带来的预警时间比阈值更有价值。对于已经在后台运行该模型的许多医院来说，研究的可转移部分是运营的：谁会被通知，通知速度如何，谁会到达床边。