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

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]

学术交流文章,不做为临床依据,特此声明。发布者:Chu,转转请注明出处:https://www.icu.cn/?p=3382

(0)
打赏 微信扫一扫 微信扫一扫
上一篇 2022年4月21日 下午3:05
下一篇 2022年4月26日 下午3:35

相关推荐