Le modèle d’indice de détérioration prédit modestement les résultats pour les patients

Source : Getty Images

Par Mark Melchionna

3 août 2023 - Une nouvelle étude a révélé que même si l'utilisation de l'indice de détérioration (DTI) en milieu hospitalier a fourni des résultats modestes, elle a pris en compte de manière incohérente divers groupes démographiques. Les chercheurs ont conclu qu'une validation plus approfondie est nécessaire pour ce modèle.

La détérioration fait référence à la ventilation mécanique, au transfert dans une unité de soins intensifs ou au décès à l'hôpital. Selon l’étude, environ 15 pour cent des décès évitables dans les hôpitaux résultent de la négligence du déclin clinique.

Compte tenu de la prévalence de ce problème, il existe des méthodes de mesure de la détérioration clinique. L'un des outils est le DTI, un modèle d'apprentissage automatique développé en 2017. Bien que des centaines d'hôpitaux s'engagent dans ce modèle, il n'est toujours pas validé en externe. Le manque de validation crée une zone grise autour de sa capacité à fonctionner équitablement.

Les chercheurs ont donc cherché à valider ce modèle et à déterminer son potentiel de biais. Dans cette étude, les chercheurs ont inclus huit hôpitaux hétérogènes du Midwest américain avec une population de 13 737 patients. Cette population de patients a produit 5 143 513 prédictions DTI, 14 834 hospitalisations et 13 918 rencontres.

Selon l'étude, la détérioration décrit les cas liés à la ventilation mécanique, au transfert en unité de soins intensifs ou au décès à l'hôpital. La prévalence totale de détérioration était de 10,3 pour cent. Il n’y avait pas de résultat cohérent des mesures de biais parmi tous les sous-groupes. Pour ceux qui se sont identifiés comme Indiens d’Amérique ou natifs de l’Alaska, les mesures de biais étaient 14 % pires. Parmi les patients qui n’ont pas divulgué leur origine ethnique, cette mesure était de 19 pour cent.

Ce résultat a amené les chercheurs à conclure que le DTI est modestement capable de prévoir la détérioration du patient. Cependant, des résultats incohérents au niveau de l’observation et des rencontres dans divers groupes démographiques ont incité les chercheurs à appeler à des mesures supplémentaires. Cela impliquait la nécessité d'intégrer la transparence dans les données de formation des modèles et de valider davantage les modèles.

L’utilisation de l’apprentissage automatique pour prédire la détérioration des patients est courante et valorise la transparence.

En avril, le Nationwide Children's Hospital a créé un modèle d'apprentissage automatique qui a pris en compte l'indice de risque de détérioration (DRI) pour prédire le risque pour les enfants hospitalisés w. Ce faisant, les chercheurs ont cherché à exécuter ce processus plus rapidement que les programmes traditionnels, car la détection précoce est précieuse pour prévenir les événements indésirables. Parallèlement au DRI, les chercheurs ont également envisagé les DSE. Cela a permis d’accéder à de nombreuses données.

À l’aide d’informations provenant de groupes de diagnostic cardiaque, de malignité et de diagnostic général, les chercheurs ont formé trois modèles prédictifs. Ces modèles les ont aidés à créer les algorithmes de l'outil.

À la suite de la recherche, ils ont constaté que le DRI atteignait un niveau de sensibilité nettement supérieur à celui du programme de connaissance de la situation existant. Une alerte précise était également une fonctionnalité affichée par le modèle.

Comparé au programme de connaissance de la situation, le modèle a conduit à une réduction de 77 pour cent des événements de détérioration au cours des 18 premiers mois. Parallèlement à cela, le modèle était transparent.

"Ce n'est pas une boîte noire. Nous montrons aux cliniciens ce qui se passe et comment l'algorithme évalue les données pour déclencher des alarmes", a déclaré Tyler Gorham, data scientist en recherche et innovation informatiques chez Nationwide Children's et co-auteur de la publication, dans un article. communiqué de presse. « L'outil facilite la prise de décision clinique, car l'équipe clinique est en mesure de comprendre pourquoi une alarme a été déclenchée. » « L'outil facilite la prise de décision clinique, car l'équipe clinique est en mesure de comprendre pourquoi une alarme a été déclenchée. »

De plus, l’apprentissage automatique peut prédire la détérioration du patient. Cependant, les chercheurs doivent veiller à la transparence lorsqu’ils utilisent ce type de ressource pour prédire la détérioration.