匹茲堡，2021年2月8日-在先進機器學習的幫助下，來自UPMC和匹茲堡大學醫(yī)學院的研究人員證明，他們開發(fā)的工具可以快速預測面臨醫(yī)院轉診的患者的死亡率問題，以獲得更高的靈敏度和清晰度。這項研究今天發(fā)表在《PLOS一號》上，可以幫助醫(yī)生、患者及其家屬避免不必要的醫(yī)院轉院和低價值治療，更加關注患者表達的護理目標。
每年有近160萬名患者(占住院患者總數(shù)的3.5%)從一家醫(yī)院轉到另一家醫(yī)院，接受復雜情況下的專門護理。醫(yī)學博士丹尼爾霍爾(Daniel E. Hall)說：“然而，獲得這些服務通常需要大量的旅行，并減少了社區(qū)對患者及其家人的支持。雖然一些患者可能會從急性疾病中康復，但許多其他患者也從改善預后中受益匪淺。”該研究的作者，UPMC沃爾夫中心高危人群和結局醫(yī)學主任，皮特醫(yī)學院外科副教授。
為了解決目前依賴于床邊臨床醫(yī)生臨時判斷的患者護理協(xié)調(diào)差距，Hall和他的團隊開發(fā)了一種實時工具，可以預測患者轉到醫(yī)院時的死亡率并提供這些結果，該工具可以在不到五分鐘的時間內(nèi)到達醫(yī)生手中。
研究人員利用18個月內(nèi)被轉移到UPMC醫(yī)院的近2.1萬名18歲及以上患者的數(shù)據(jù)，開發(fā)并驗證了一種名為“安全網(wǎng)”(安全的非緊急緊急轉移)的死亡風險評估工具。在研究了目前在醫(yī)院重癥監(jiān)護室和入院環(huán)境中使用的其他死亡風險模型后，霍爾和他的團隊為這些模型構建了一個或多個包含70個獨立變量的列表，包括患者人口統(tǒng)計學、生命體征、實驗室檢測和其他因素。
然后，他們分析了UPMC的賬單數(shù)據(jù)和住院患者的電子健康記錄，以確定接收醫(yī)院是否記錄了這些變量，并只關注轉移后三小時內(nèi)可用的變量。因此，該列表占了70個變量中的54個。通過在數(shù)據(jù)訓練和測試集中使用引導式機器學習，該團隊最終開發(fā)了他們的SafeNET算法，該算法由14個變量組成，能夠可靠、快速地預測轉移性患者的住院死亡率、30天死亡率和90天死亡率。他們還將SafeNET的預測能力與另一種用于感染患者的工具進行了比較——發(fā)現(xiàn)SafeNET算法更準確，可以用于更廣泛的患者群體。
霍爾說：“我們的主要目標是為一線醫(yī)生提供急需的信息，以觸發(fā)和告知關于高風險患者的共同決定?！薄斑@個工具可以幫助為這些患者分配更多的資源，以確保護理計劃與患者的價值觀和目標保持一致。通常情況下，轉院患者及其家屬并不知道自己所面臨疾病的嚴重程度，對轉院到更高護理級別將產(chǎn)生的結果抱有不切實際的期望。"
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！