在电子病历中使用机器学习来挽救住院儿童的生命

在儿科重症监护医学杂志上发表的一份报告中，全国儿童医院的一个团队描述了一种机器学习工具，用于及时识别有恶化风险的住院儿童——一种恶化的临床状况，发病率和死亡率的风险增加。该工具针对特定疾病群体进行了培训，有望在识别高危儿童方面优于现有的态势感知计划。

“多年来，专注于改善临床护理的预测算法得到了越来越多的发展，但绝大多数都没有投入使用。将算法从计算机转移到床边可能是一个漫长的过程，需要临床医生、数据科学家和临床医生的参与和协作信息学家，”该论文的主要作者、全国儿童医院的急诊医学医师和内科信息学家LauraRust说。“这个项目已经经历了5年多的旅程，我们为成功融入我们的安全文化以及对患者结果的影响感到自豪。”

恶化风险指数(DRI)建立在Watchstander情境意识计划的基础上，该计划已在全国儿童医院使用。为了促进采用，该团队使用了相同的警报响应机制——患者评估并在30分钟内与床边护理团队会面，降低风险并制定升级计划。

三个诊断组——结构性心脏缺陷(心脏)、肿瘤学(恶性肿瘤)、一般(非心脏或恶性肿瘤)——用于训练三个独立的预测模型以开发实施的算法。

“帮助与临床团队建立信任的设计特点之一是，我们不一定要确定任何新标准。我们的模型只是确定哪些现有的情境意识标准最重要，并相应地权衡它们，”数据科学家TylerGorham说。NationwideChildren's的ITResearch&Innovation和该出版物的合著者。

根据Rust博士的说法，电子健康记录中可能随时需要处理大量临床数据，尤其是在交接或转移护理之后。该模型通过在幕后自动处理这些风险标准来帮助减轻这种认知负担。因为它集成在电子病历(EMR)中，所以它的好处是拥有所有以前时间点的所有数据，而不仅仅是当前班次。

DRI的灵敏度是现有态势感知程序的2.4倍，同时每个检测到的事件需要的警报也减少了2.3倍。值得注意的是，该团队观察到心脏病组的灵敏度提高了四倍，恶性肿瘤组的灵敏度提高了三倍。实施后的试点研究发现，在前18个月，与前几年的预期事件发生率相比，恶化事件减少了77%。

根据开发人员的说法，该模型最重要的方面可能是它的透明度。

“这不是黑匣子。我们向临床医生展示了其中的内容以及算法如何评估数据以触发警报，”Gorham说。“该工具有助于支持临床决策制定，因为临床团队能够了解触发警报的原因。”

该团队还进行了路演，参观了将部署该工具的临床单位，回答了问题，与床边护理团队进行了模拟并整合了反馈。

“在全国儿童医院，我们的团队致力于打造零英雄安全文化，”Rust博士说。“这为我们的多学科团队在终点线上看到这一点提供了基础和共同使命。”

出版物中提供了更多信息，包括有关算法的详细信息。

“我们在出版物中分享了我们的配方，”戈勒姆说。“如果其他人感兴趣，他们可以使用他们中心的数据并为当地人口重新训练模型。如果我们可以与他人分享我们的成功，我们就有希望为所有儿童提供更好的结果，即使是那些不受我们照顾的儿童。“