Пролежни -; также известные как травмы от давления -; являются наиболее быстрорастущим заболеванием, приобретаемым в стационарах, по данным Агентства США по исследованиям качества здравоохранения, и в результате стали второй по распространенности причиной возбуждения исков о врачебной халатности в Соединенных Штатах.

Хотя большинство полученных в больнице травм, связанных с давлением, в разумных пределах можно предотвратить, ежегодно примерно 2,5 миллиона человек в Соединенных Штатах получают травму, связанную с давлением, в учреждениях неотложной помощи, и 60 000 умирают. Общие ежегодные затраты систем здравоохранения США на удовлетворение острых потребностей пациентов с травмами от давления во время госпитализации превышают 26 миллиардов долларов, и все же травмам от давления уделяется относительно мало внимания как кризису общественного здравоохранения.

Исследователи из Калифорнийского университета, Университета Джона Хопкинса и Медицинского центра университетских больниц Кливленда совместно использовали методы машинного обучения для разработки новой модели прогнозирования будущего риска травм от давления и улучшения непосредственного трудоемкого ухода за пациентами.

Опубликованная сегодня в BMJ Open новая модель оценки риска повышает точность прогнозирования более чем до 74% -; более чем на 20% по сравнению с существующими методами.

Распространенные практики и рекомендации по предотвращению травм от давления отнимают много времени и отнимают много сил у медсестер, находящихся у постели больного. Стандартный отраслевой инструмент для прогнозирования риска травм от давления, бумажная шкала Брейдена, не менялась с момента своего создания в 1980-х годах и имеет точность 54%, отмечают исследователи.

Экономия времени, затрат и жизней

Исследователи отмечают, что прогностическая аналитика может частично облегчить нагрузку на медсестер и поставщиков медицинских услуг за счет автоматизации части процесса оценки рисков. В настоящее время врачи неотложной помощи должны проводить осмотр кожи и оценку риска травм при надавливании при поступлении и каждые 12-24 часа после этого, используя стандартизированный инструмент, такой как шкала Брейдена, которая в первую очередь оценивает подвижность, когнитивные способности, питание и лечение недержания мочи.

Профилактика травм от давления — дорогостоящий протокол, который необходимо внедрять ежедневно, а существующий инструмент для прогнозирования травм от давления едва ли лучше подбрасывания монеты. Мы подумали, что должен быть лучший способ сделать это. Возник вопрос: может ли компьютер проводить эти оценки риска лучше, чем сами медсестры у постели больного? »

Уильям Падула, доцент кафедры фармацевтики и экономики здравоохранения в Университете Калифорнии Манн и научный сотрудник Центра политики и экономики здравоохранения имени Леонарда Д. Шеффера при Университете КАЛИФОРНИИ

Разработанный командой алгоритм прогнозирования обеспечивает повышенную экономическую эффективность и существенную экономию. Поскольку оценка риска может занимать от пяти до 15 минут для каждого пациента, это может составлять до 250 рабочих часов в одном учреждении на 500 коек в день и от 30 000 до 90 000 рабочих часов в год.

«Эти данные могут помочь больницам экономить ресурсы в критический период уязвимости пациентов к травмам от давления, полученным в больнице, которые не возмещаются программой Medicare США», — говорит Питер Проновост, директор по качеству и преобразованиям Медицинского центра университетских больниц Кливленда, бывший директор Института безопасности пациентов Армстронга при больнице Джона Хопкинса.

Исследование также способствует повышению справедливости в отношении здоровья. Существующие инструменты не учитывают расу, цвет кожи или возраст. «Если вы не можете увидеть синяки на коже пациента из-за того, что он чернокожий, латиноамериканец или азиат, то вы не сможете так быстро выявить более серьезные факторы риска, с которыми они сталкиваются», — добавляет Падула. «Методы машинного обучения не зависят от того, что мы видим в солнечном свете. Это позволяет нам повысить справедливость оказания медицинской помощи, когда дело доходит до профилактики этих состояний, которые неодинаково затрагивают недопредставленные меньшинства «.

Методы искусственного интеллекта

Используя методы машинного обучения, исследователи проанализировали электронные медицинские записи о более чем 35 000 госпитализациях за пять лет в двух академических больницах, чтобы проанализировать изменения риска травм от давления с течением времени. Они изучили переменные, включая диагностические коды при поступлении, отпускаемые по рецепту лекарства, лабораторные заказы и другие факторы, наиболее тесно связанные с факторами риска травм от давления.

«Раннее выявление на основе искусственного интеллекта значительно превосходит стандарты оказания медицинской помощи. Больницы могут использовать это для запуска программы повышения качества профилактики травм, связанных с давлением, которая улучшает результаты и значительно снижает нагрузку на медсестер за счет современных подходов к мониторингу. Кроме того, они могут адаптировать алгоритм к особенностям конкретного пациента в зависимости от учреждения «, — говорит Сучи Сария, заведующая кафедрой Джона К. Мэлоуна и профессор искусственного интеллекта в университете Джона Хопкинса и генеральный директор Bayesian Health, компании-платформы клинического искусственного интеллекта.

Исследователи провели аналитику, используя методы машинного обучения, такие как случайные леса и нейронные сети, чтобы дополнительно свести удельные веса этих переменных к изменениям и риску травм, связанных с давлением, и разработали окончательную модель. Они также определили список отпускаемых по рецепту лекарств — бета-блокаторы, электролиты, фосфатзамещающие препараты, цинкзамещающие препараты, эритропоэтностимулирующие средства, тиазиды / диуретики, вазопрессоры — которые изменяют риск травм при надавливании у пациентов.