针对癌症患者有针对性的预先护理计划的机器学习:质量改善研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 提高质量 提高质量

背景情况:

• 对于接近生命终点 (EOL) 的癌症患者来说,预后是具有挑战性的,延迟了关键的预先护理计划 (ACP).
• 需要有效的战略来改善对这一弱势群体的ACP文件和EOL护理.

研究的目的:

• 评估基于机器学习的死亡率预测算法干预对ACP文件和癌症患者的EOL护理的影响.
• 评估干预后临床医生对ACP行为的变化.

主要方法:

• 实施了一种经过验证的机器学习死亡风险预测模型,用于接受专科治疗的固体恶性瘤患者.
• 临床医生收到高风险患者的电子邮件通知,并比较了干预前后的ACP文档/EOL结果.
• 统计分析包括千平方,费舍尔精确,威尔科克森等级和科克兰-曼特尔-汉泽尔测试.

主要成果:

• 经过干预后,经过记录的ACP对话数量从2.3%急剧增加到80.5% (P<0.001).
• 在通知息护理专家或瘤学家时,观察到非洲和非洲国家和地区 (ACP) 文件的显著增加.
• 在停留时间,宿舍转诊,代码状态,ICU利用率,再入院或死亡率方面没有发现显著差异.

结论:

• 基于机器学习的高风险癌症患者的识别大大提高了非洲和非洲国家和地区的文档化率.
• 这项干预显示出改变临床医生对非洲和非洲国家讨论行为的潜力.
• 进一步将这种预测模型纳入临床实践是有必要的,以持续改善EOL护理.