Модель индекса ухудшения скромно предсказывает результаты лечения пациентов

Источник: Гетти Изображения

Марк Мельчионна

3 августа 2023 г. — Новое исследование показало, что, хотя использование индекса ухудшения состояния (DTI) в условиях больницы дало скромные результаты, оно непоследовательно подходило для различных демографических групп. Исследователи пришли к выводу, что для этой модели необходима дальнейшая проверка.

Ухудшение состояния относится к искусственной вентиляции легких, переводу в отделение интенсивной терапии или смерти в больнице. По данным исследования, около 15 процентов предотвратимых смертей в больницах происходят из-за игнорирования клинического снижения заболеваемости.

Учитывая распространенность этой проблемы, существуют методы измерения клинического ухудшения. Одним из инструментов является DTI, модель машинного обучения, разработанная в 2017 году. Хотя сотни больниц используют эту модель, она остается непроверенной извне. Отсутствие проверки создает серую зону вокруг его способности работать справедливо.

Таким образом, исследователи стремились проверить эту модель и определить ее потенциал предвзятости. В это исследование исследователи включили восемь разнородных больниц Среднего Запада США с населением 13 737 пациентов. Эта популяция пациентов произвела 5 143 513 прогнозов DTI, 14 834 госпитализации и 13 918 обращений.

Согласно исследованию, ухудшение описывает случаи, связанные с искусственной вентиляцией легких, переводом в отделение интенсивной терапии или смертью в больнице. Общая распространенность ухудшения составила 10,3 процента. Не было ни одного последовательного результата измерения систематической ошибки среди всех подгрупп. Для тех, кто идентифицировал себя как американских индейцев или коренных жителей Аляски, показатели предвзятости были на 14 процентов хуже. Среди пациентов, которые не указали этническую принадлежность, этот показатель составил 19 процентов.

Этот результат привел исследователей к выводу, что DTI в некоторой степени способен предвидеть ухудшение состояния пациента. Однако противоречивые результаты на уровне наблюдения и встречи в различных демографических группах побудили исследователей призвать к дальнейшим действиям. Это потребовало интеграции прозрачности в данные обучения моделей и дальнейшей проверки моделей.

Использование машинного обучения для прогнозирования ухудшения состояния пациентов является распространенным явлением и ценит прозрачность.

В апреле Национальная детская больница создала модель машинного обучения, которая учитывала индекс риска ухудшения состояния (DRI) для прогнозирования риска для госпитализированных детей. При этом исследователи стремились выполнить этот процесс быстрее, чем традиционные программы, поскольку раннее обнаружение имеет важное значение для предотвращения неблагоприятных событий. Наряду с DRI исследователи также рассматривали EHR. Это позволило получить доступ к обширным данным.

Используя информацию групп сердечной, онкологической и общей диагностики, исследователи подготовили три прогностические модели. Эти модели помогли им в создании алгоритмов для инструмента.

В результате исследования они обнаружили, что DRI достигла уровня чувствительности, значительно превышающего существующую программу ситуационной осведомленности. Точное оповещение также было особенностью модели.

По сравнению с программой ситуационной осведомленности эта модель привела к сокращению случаев ухудшения состояния на 77 процентов в течение первых 18 месяцев. При этом модель была прозрачной.

«Это не черный ящик. Мы показываем врачам, что происходит и как алгоритм оценивает данные, чтобы вызвать тревогу», — сказал Тайлер Горэм, специалист по данным в области ИТ-исследований и инноваций в Nationwide Children's и соавтор публикации, в пресс-релиз. «Этот инструмент помогает поддерживать принятие клинических решений, поскольку клиническая команда может понять, почему сработала тревога». «Этот инструмент помогает поддерживать принятие клинических решений, поскольку клиническая команда может понять, почему сработала тревога».

Кроме того, машинное обучение может предсказать ухудшение состояния пациента. Однако исследователи должны учитывать прозрачность при использовании этого типа ресурсов, чтобы прогнозировать ухудшение состояния.