Das Modell des Verschlechterungsindex prognostiziert die Patientenergebnisse bescheiden

Quelle: Getty Images

Von Mark Melchionna

3. August 2023 – Eine neue Studie ergab, dass die Verwendung des Deterioration Index (DTI) im Krankenhausumfeld zwar bescheidene Ergebnisse lieferte, verschiedene demografische Gruppen jedoch inkonsistent behandelt wurde. Die Forscher kamen zu dem Schluss, dass für dieses Modell eine weitere Validierung erforderlich ist.

Eine Verschlechterung bezieht sich auf mechanische Beatmung, Verlegung auf die Intensivstation oder Tod innerhalb des Krankenhauses. Laut der Studie sind etwa 15 Prozent der vermeidbaren Todesfälle in Krankenhäusern auf die Vernachlässigung des klinischen Rückgangs zurückzuführen.

Angesichts der Prävalenz dieses Problems gibt es Methoden zur Messung der klinischen Verschlechterung. Ein Werkzeug ist das DTI, ein maschinelles Lernmodell, das 2017 entwickelt wurde. Obwohl sich Hunderte von Krankenhäusern mit diesem Modell beschäftigen, ist es nach wie vor nicht extern validiert. Mangelnde Validierung führt zu einer Grauzone hinsichtlich der Fähigkeit, gerecht zu handeln.

Ziel der Forscher war es daher, dieses Modell zu validieren und sein Potenzial für Verzerrungen zu ermitteln. In diese Studie schlossen die Forscher acht heterogene Krankenhäuser im Mittleren Westen der USA mit einer Population von 13.737 Patienten ein. Diese Patientenpopulation führte zu 5.143.513 DTI-Vorhersagen, 14.834 Krankenhauseinweisungen und 13.918 Begegnungen.

Der Studie zufolge beschreibt eine Verschlechterung Fälle im Zusammenhang mit mechanischer Beatmung, Verlegung auf die Intensivstation oder Tod im Krankenhaus. Die Gesamtprävalenz der Verschlechterung betrug 10,3 Prozent. Es gab kein einheitliches Ergebnis der Bias-Messungen für alle Untergruppen. Bei denjenigen, die sich als Indianer oder Ureinwohner Alaskas identifizierten, waren die Voreingenommenheitswerte um 14 Prozent schlechter. Bei den Patienten, die ihre ethnische Zugehörigkeit nicht preisgaben, lag dieser Wert bei 19 Prozent.

Dieses Ergebnis führte die Forscher zu dem Schluss, dass DTI einigermaßen in der Lage ist, eine Verschlechterung des Zustands des Patienten vorherzusagen. Allerdings veranlassten inkonsistente Ergebnisse auf Beobachtungs- und Begegnungsebene in verschiedenen Bevölkerungsgruppen die Forscher dazu, weitere Maßnahmen zu fordern. Dies beinhaltete die Notwendigkeit, Transparenz in die Modelltrainingsdaten zu integrieren und Modelle weiter zu validieren.

Der Einsatz von maschinellem Lernen zur Vorhersage der Verschlechterung des Zustands von Patienten ist weit verbreitet und legt großen Wert auf Transparenz.

Im April entwickelte das Nationwide Children's Hospital ein maschinelles Lernmodell, das den Deterioration Risk Index (DRI) berücksichtigte, um das Risiko für hospitalisierte Kinder vorherzusagen. Dabei wollten die Forscher diesen Prozess schneller als bei herkömmlichen Programmen durchführen, da die Früherkennung für die Vermeidung unerwünschter Ereignisse von großem Nutzen ist. Neben dem DRI haben die Forscher auch EHRs in Betracht gezogen. Dies ermöglichte den Zugriff auf umfangreiche Daten.

Anhand von Informationen aus Herz-, Malignitäts- und allgemeinen Diagnosegruppen trainierten die Forscher drei Vorhersagemodelle. Diese Modelle unterstützten sie bei der Erstellung der Algorithmen für das Tool.

Im Anschluss an die Untersuchung stellten sie fest, dass das DRI eine deutlich höhere Sensitivitätsstufe erreichte als das bestehende Situationsbewusstseinsprogramm. Präzise Alarmierung war ebenfalls eine Eigenschaft, die das Modell zeigte.

Im Vergleich zum Situationsbewusstseinsprogramm führte das Modell in den ersten 18 Monaten zu einer Reduzierung der Verschlechterungsereignisse um 77 Prozent. Darüber hinaus war das Modell transparent.

„Dies ist keine Black Box. Wir zeigen Klinikern, was hineinkommt und wie der Algorithmus die Daten auswertet, um Alarme auszulösen“, sagte Tyler Gorham, Datenwissenschaftler in der IT-Forschung und Innovation bei Nationwide Children's und Co-Autor der Veröffentlichung, in einem Pressemitteilung. „Das Tool unterstützt die klinische Entscheidungsfindung, da das klinische Team erkennen kann, warum ein Alarm ausgelöst wurde.“ „Das Tool unterstützt die klinische Entscheidungsfindung, da das klinische Team erkennen kann, warum ein Alarm ausgelöst wurde.“

Darüber hinaus kann maschinelles Lernen eine Verschlechterung des Zustands des Patienten vorhersagen. Allerdings müssen Forscher bei der Verwendung dieses Ressourcentyps Transparenz berücksichtigen, um eine Verschlechterung vorherzusagen.