微调与机器学习相结合使癌症患者的高级护理对话次数增加了三倍

一项新的前瞻性,随机研究显示,向临床医生发送电子提示是通过使用机器学习方法来标记癌症患者的算法触发的,这些患者最可能受益于生命周期目标的对话,使讨论的速度增加了三倍来自Penn Medicine的近15,000位患者的研究结果发表在JAMA肿瘤学上。

与患有严重疾病(尤其是癌症)的患者进行早期和频繁对话已显示出可以提高满意度,生活质量和与其价值观和目标相符的护理。但是,今天,许多人没有机会与医生或亲人进行讨论,因为他们的疾病进展太快,病得很重。

“在癌症内外,这是机器学习算法的首批实时应用之一,并结合了提示,可以切实帮助影响临床医生在不幸的事情发生之前及时启动这些讨论。”主要作者 Ravi B. Parikh,医学博士,宾夕法尼亚大学佩雷​​尔曼医学院的医学伦理学和卫生政策与医学助理教授,Michael J. Crescenz VA医疗中心下士。“不仅是高危患者。对于未被举报的患者,交谈的数量几乎增加了一倍-这表明我们正在整个诊所引发积极的文化变革,以进行更多此类交谈。”

达纳·法伯癌症研究所的克里斯托弗·曼兹(Christopher Manz)医学博士,是本研究的宾夕法尼亚大学癌症护理创新中心研究员。

在另一本 发表的《JAMA肿瘤学》中,研究团队验证了Penn Medicine开发的机器学习工具在使用电子健康记录(EHR)的临床数据实时预测患者短期死亡率方面的有效性。该算法考虑了从患者记录一直到任命为止的500多个变量,例如年龄,住院和合并症。这是使用EHR识别可能从及时对话中受益的患者的优势之一。它是实时的,与使用声明或其他类型的历史数据进行预测相反。

这项最新试验将该算法与行为提示(包括文本,电子邮件或给临床团队的通知)结合在一起,以确定其识别患者并围绕寿命终止计划进行迅速对话的能力。该研究于2019年6月至2019年11月进行,该研究包括宾夕法尼亚大学卫生系统的9家肿瘤诊所的14607名患者和78位医生。

在具有高预测死亡率风险的患者中,干预组的对话发生在1,999名患者中,其中304次发生了交谈(15.2%),而对照组的2,125名患者中有77次进行了对话(3.6%)。即使没有将患者标记为高危患者,试验中的临床医生也会更多地参与这些对话。在所有的患者遭遇中,对照组的12170次遭遇中有155次发生严重疾病谈话(1.3%),而在13889次遭遇的632次中发生了干预组的谈话(4.6%)。

“我们已经采用了一种算法,从追溯验证到实时验证,再到在临床中对其进行实际测试,以查看它是否可以影响病人的护理,”同时也是宾夕法尼亚大学癌症护理创新中心的一部分的帕里克说 。“由于它的成功,我认为我们为其他可能考虑使用分析来推动重要行为的机构提供了路线图。”

机器学习工具继续在宾州医学肿瘤诊所使用,并在COVID-19大流行期间进一步证明了其价值。尽管在2020年的大部分时间里许多此类对话都是在线进行的,但为了确保患者安全,许多临床访问必须通过远程医疗进行,尽管试验结束后,严重疾病对话的发生率仍然很高。

“这是将行为轻推与机器学习方法相结合在临床护理中的首批应用之一,”资深作者Mitesh S. Patel医学博士,佩恩医学轻推小组主任,佩雷尔曼医学院的医学副教授在宾夕法尼亚大学任职,在下士迈克尔·J·克雷森兹VA医疗中心任职医师。“这项工作有很多机会,并将其应用于癌症治疗的其他方面以及医学的其他领域。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢