实时机器学习警报以防止护理升级:非随机集群实用临床试验

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的人工智能
• 患者安全 患者安全

背景情况:

• 机器学习 (ML) 在预测临床恶化方面表现有前途,但对其有效性的现实世界前性数据很少.
• 预测患者衰退的现有方法往往缺乏ML算法的实时能力.
• ML产生的警报对临床结果的直接影响需要进一步调查.

研究的目的:

• 评估实时ML产生的警报在减少住院成年患者中临床升级的有效性.
• 测试假设,直接向一线医疗服务提供者发出警报可以改善患者的治疗结果.
• 评估ML警报对二次结果的影响,包括药物订单和死亡率.

主要方法:

• 进行了一个单中心,前性,实用性,非随机化,集群临床试验.
• 在四个医疗外科病房的成年患者被分配到干预 (实时ML警报) 或对照组.
• 使用倾向分数建模与治疗权重的逆概率 (IPTW) 来分析来自2740名患者的数据.

主要成果:

• 临界线警报干预并没有显著降低升级速度 (发生率比: 1.43; p < 0.001).
• 收到ML警报的患者更有可能收到心血管药物订单 (RR: 1.74; p < 0.001).
• 在干预组中观察到医院住院和30天死亡率的显著降低 (RR: 0.76; p = 0.045).

结论:

• 实时机器学习警报并没有降低临床升级的速度.
• 该研究表明,ML警报可能对降低患者死亡率产生有益影响.
• 需要进一步的研究,以优化在临床环境中实施ML警报.