Conditional outlier detection for clinical alerting
Dieser Beitrag stellt einen datengestützten Ansatz zur Erkennung anomaler Patientenmanagement-Aktionen in elektronischen Gesundheitsakten nach Herzoperationen vor und validiert diesen, indem er nachweist, dass eine solche an Anomalien orientierte Alarmierung niedrige Fehlalarmraten erreichen kann, während stärkere Anomalien mit höheren Alarmfrequenzen korrelieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein Krankenhaus als eine riesige, geschäftige Küche vor, in der tausende Köche (Ärzte) Mahlzeiten (Behandlungen) für Gäste (Patienten) zubereiten. Normalerweise läuft die Küche nach einer Reihe von Standardrezepten. Manchmal vergisst ein Koch jedoch, eine entscheidende Zutat hinzuzufügen, oder fügt versehentlich etwas hinzu, das er nicht sollte. In einer echten Küche könnte ein Küchenchef dies durch Geschmack oder Erfahrung erkennen. In einem Krankenhaus ist es jedoch unglaublich schwierig, diese „Fehler" in Echtzeit zu erkennen, da jeder Patient einzigartig ist und die Regeln sich je nach seinem spezifischen Zustand ändern.
Dieser Artikel beschreibt einen neuen „intelligenten Küchenassistenten", der von Forschern der University of Pittsburgh entwickelt wurde. Anstatt sich auf eine statische Liste von Regeln zu verlassen, die von Menschen verfasst wurden, lernt dieser Assistent, indem er Tausende vergangener Mahlzeiten beobachtet.
So funktioniert es, aufgeteilt in einfache Schritte:
1. Lernen aus der Vergangenheit (Das „Rezeptbuch")
Das System betrachtet die elektronischen Patientenakten (EHRs) von 4.486 Patienten, die sich einer Herzoperation unterzogen haben. Stellen Sie sich dies vor, als würde der Assistent ein massives Geschichtsbuch über jede im Krankenhaus servierte Mahlzeit lesen.
Es liest nicht einfach das ganze Buch auf einmal. Es zerlegt die Geschichte in 24-Stunden-Kapitel. Für jedes Kapitel erstellt es einen „Schnappschuss" des Zustands des Patienten (wie sein Blutzuckerspiegel, welche Medikamente er nimmt und welche Eingriffe er hatte) und notiert, was die Ärzte als Nächstes zu tun beschlossen haben (wie die Anordnung eines neuen Labortests oder die Einleitung eines neuen Medikaments).
2. Der „kontingente" Detektiv
Die meisten Anomalie-Erkennungssysteme sind wie ein Türsteher in einem Club, der sagt: „Du siehst anders aus als alle anderen, also kommst du nicht rein." Aber in einem Krankenhaus ist Anderssein nicht immer schlecht. Ein Patient mit einem gebrochenen Bein benötigt eine andere Behandlung als ein Patient mit einer Erkältung.
Dieses System ist schlauer. Es ist ein kontingenter Detektiv. Es fragt: „Angesichts dessen, dass dieser spezifische Patient diesen spezifischen Zustand hat, ist der nächste Schritt des Arztes ungewöhnlich im Vergleich zu dem, was bei ähnlichen Patienten in der Vergangenheit passiert ist?"
Die Heparin-Analogie:
Stellen Sie sich vor, ein Patient nimmt seit sechs Tagen ein Blutverdünnungsmittel namens Heparin, und seine Thrombozytenzahl (die bei der Blutgerinnung hilft) sinkt gefährlich.
- Die Regel: In dieser spezifischen Situation ist der „übliche" Schritt, einen speziellen Labortest anzuordnen, um eine gefährliche Reaktion zu überprüfen.
- Die Anomalie: Wenn der Arzt diesen Test nicht anordnet, markiert das System dies. Nicht weil der Arzt schlecht ist, sondern weil die Handlung (oder das Unterlassen) statistisch seltsam ist im Vergleich zu Tausenden ähnlicher Fälle.
3. Der „Alarm-Score"
Wenn das System etwas Ungewöhnliches entdeckt, schreit es nicht sofort „FEHLER!". Es vergibt einen Score, wie einen „Verdachtsmesser".
- Niedriger Score: „Das ist ein wenig seltsam, aber vielleicht ist es in Ordnung."
- Hoher Score: „Das ist sehr seltsam! Das sieht nach einem Fehler aus."
Um sicherzustellen, dass der Alarm echt ist, prüft das System, ob die „Seltsamkeit" anhält. Es betrachtet den Zustand des Patienten vor und nach der Entscheidung. Wenn die Entscheidung in beiden Kontexten seltsam aussieht, löst das System einen formellen Alarm aus.
4. Der menschliche Geschmackstest
Die Forscher vertrauten dem Computer nicht blind. Sie nahmen 222 dieser computergenerierten Alarme und zeigten sie einem Gremium aus 15 echten Experten für Intensivmedizin (Ärzten und Assistenzärzten). Sie fragten die Ärzte: „Ist dieser Alarm tatsächlich nützlich? Weist er auf einen potenziellen Fehler hin?"
Die Ergebnisse:
- Die gute Nachricht: Die Ärzte waren sich einig, dass die Alarme etwa 54 % der Zeit (121 von 222) nützlich waren.
- Die Korrelation: Je höher der „Verdachtswert" des Computers war, desto wahrscheinlicher stimmten die Ärzte zu, dass es sich um einen nützlichen Alarm handelte. Bei den Alarmen mit dem höchsten Score waren die Ärzte zu 72 % der Meinung, dass sie nützlich waren.
- Die schlechte Nachricht: Das System ist nicht perfekt. Etwa die Hälfte der Zeit waren die Ärzte der Meinung, der Alarm sei nicht notwendig. Das bedeutet, dass das System manchmal den Wolf ruft, aber es ist kein zufälliges Rauschen; es findet Muster, die Menschen möglicherweise übersehen.
Das Fazit
Der Artikel kommt zu dem Schluss, dass dieser „datengetriebene" Ansatz ein vielversprechendes Werkzeug ist. Es fungiert als Sicherheitsnetz, das ungewöhnliche Entscheidungen, die medizinische Fehler sein könnten, auffängt, indem es sie mit der riesigen Geschichte vergangener Patienten vergleicht. Obwohl es den Arzt nicht ersetzt, dient es als ein zweites Paar Augen, das niemals müde wird, und hilft sicherzustellen, dass sich der Behandlungsplan eines Patienten ändert, wenn sich sein Zustand ändert, und zwar auf die richtige Weise.
Die Forscher planen, das System weiter zu verbessern, indem sie es an verschiedenen Patiententypen testen und die „Merkmale", die es betrachtet, verfeinern. Doch bisher haben sie bewiesen, dass die Suche nach statistischen Unregelmäßigkeiten in der Patientenversorgung reale medizinische Bedenken erfolgreich aufdecken kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.