基于电子健康记录的心力衰竭患者再入院预测的机器学习模型:影响评估准实验研究的协议

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持系统 临床决策支持系统
• 医疗保健中的机器学习

背景情况:

• 心力衰竭 (HF) 护理造成了大量的医疗保健费用,主要是由于30天的再入院率很高.
• 对HF患者出院时间决定的不确定性导致长时间住院,成本增加以及对患者结果的潜在负面影响.
• 现在正在开发机器学习 (ML) 预测模型,通过识别高风险患者重新入院来减轻这种不确定性.

研究的目的:

• 调查临床决策支持 (CDS) 工具如何影响医疗保健专业人员关于HF患者出院的决策过程.
• 通过捕捉从业人员对其输出的经验,分析CDS工具的可用性和实际实施方面.
• 评估CDS工具对决策一致性,质量和工作效率的影响.

主要方法:

• 一个准实验性设计,随机交叉评估涉及12名医生和护士,使用20个高频患者场景.
• 测试组接受了患者数据以及基于ML的CDS工具预测再接收风险的输出,而对照组仅接受了患者数据.
• 数据收集包括采访和观察,重点关注决策一致性,质量,效率,可用性和对CDS工具的信心.

主要成果:

• 该研究目前处于招聘和情景选择阶段 (2023年9月至2024年3月).
• 瑞典伦理审查机构已经获得了伦理审批.
• 该项目由知识基金会资助,作为应用智能系统研究中心健康研究概况的一部分.

结论:

• 本研究方案旨在为未来的形成性评估研究提供信息.
• 它将与临床专业人员合作,为ML模型的开发和测试做出贡献.
• 这些发现将为CDS工具在HF患者管理的常规临床工作流程中有效整合提供见解.