使用机器学习住院电子病历拯救生命的孩子

在发表的一份报告儿科重症监护医学从全国儿童医院,一组描述了机器学习工具,及时识别住院儿童deterioration-a临床状况恶化的风险与风险增加的发病率和死亡率。训练的工具,针对疾病的团体,充满希望地优于现有的程序识别高危儿童的态势感知能力。

“预测算法集中在改善临床护理近年来日益发达,但绝大多数没有实施。过渡算法从电脑到床边是一个漫长的过程,需要从临床医生参与和协作,数据科学家和临床信息学家,”劳拉说生锈,医学博士,急诊医学医生和医生信息学家在全国儿童和论文的主要作者。“这个项目是一个5 +年的旅程,我们非常自豪的成功集成在我们的安全文化和对病人的影响的结果。”

恶化的风险指数(DRI)建成了值班人员的态势感知的基础项目,目前已经在全国儿童使用。推广采用,团队利用相同的响应机制alerts-patient评估和蜷缩在床边护理团队不到30分钟,升级的风险缓解和发展计划。

三个诊断groups-structural心脏缺陷(心脏)、肿瘤(恶性肿瘤)、通用(心脏和恶性肿瘤)被用来训练三个独立的预测模型开发的算法实现。

的设计特点与临床团队,帮助建立信任是我们不一定确定任何新的标准。我们的模型简单地识别哪些现有态势感知标准最重要并相应地重,“泰勒Gorham说,数据科学家的研究和创新在全国儿童和出版的作者之一。

根据博士生锈,可以有压倒性数量的电子健康记录过程中的临床数据在任何时候,尤其是在传递或转换的护理。模型有助于减轻认知负担通过自动处理这些风险标准在幕后。因为它是集成在电子病历(EMR),它的好处就是从以前所有的所有数据点的紧迫感就当前的转变。

DRI 2.4倍敏感现有态势感知项目,同时要求2.3倍少每检测到事件警报。值得注意的是,心脏的团队观察到四倍灵敏度获得组和恶性肿瘤组的3倍收益。的试点研究实施后发现,在头18个月,恶化事件预期事件在前一年相比下降了77%。

也许最重要的模型,根据开发人员,是它的透明度。

“这不是一个黑盒子。我们向医生要展示算法评估数据触发警报,”Gorham说。“工具帮助支持临床决策,因为临床团队能够看到警报被触发的原因。”

该小组还进行路演,临床单位的工具将部署,回答问题,做模拟与床边护理团队,加入反馈。

“全国儿童,我们的团队致力于零安全文化英雄,”博士说生锈。“这为我们提供了基础和共同使命多学科团队看到跨越终点线。”

更多信息,包括详细的算法,可在出版物。

“我们共享我们的食谱出版Gorham说。“如果其他人感兴趣的话,他们可以使用中心的数据并重新训练模型的当地居民。如果我们能与他人分享我们的成功,我们可以为所有的孩子希望支持更好的结果,即使是那些没有在我们的关心。”