机器学习EWS对住院死亡率的影响：一项多中心临床干预试验

目的：确定机器学习早期预警风险评分EWS、电子心脏骤停风险分类 (eCART) 对高危住院患者死亡率的影响。

设计：在连续2年的相同10个月期间进行的一项严格的干预前后研究。

地点：四医院社区-学术卫生系统。

患者：所有入住内外科病房的成年患者。

干预：在基线期间，临床医生对 eCART 评分不知情。在干预期间，向提供者提供分数。大于或等于第 95 个百分位的分数被指定为高风险，促使医生对 ICU 入院患者进行评估。89% 和 95% 之间的分数被指定为中等风险，触发护士指导的工作流程，包括每 2 小时测量一次生命体征并联系医生审查治疗计划。

测量和主要结果：主要结局是全因住院死亡率。次要指标包括 2 小时内的生命体征评估、ICU 转移率和到 ICU 转移的时间。研究期间共有 60,261 名患者入院，其中 6,681 名（11.1%）符合纳入标准（基线期 n = 3,191，干预期 n = 3,490）。干预期与主要队列的住院死亡率显著降低相关（8.8%vs 13.9%；p < 0.0001；调整优势比 [OR]，0.60 [95% CI，0.52-0.71]）。未接受干预的平均风险队列的死亡率也显著降低（0.49%vs 0.26%；p < 0.05；调整后的 OR，0.53 [95% CI，0.41-0.74]）。在亚组分析中，高风险（17.9% vs 23.9%；p = 0.001）和中风险（2.0% vs 4.0%；p = 0. 005) 患者。干预期还与 ICU 转移的显著增加、ICU 转移时间的减少以及 2 小时内生命体征重新评估的增加有关。

结论：机器学习预警评分方案的实施与住院死亡率降低相关，这可能是由更早和更频繁的 ICU 转移驱动的。

[评述：目前不缺乏各种机器学习预警评分，但是缺乏严谨的评分的临床验证研究，此文可作为参考]