Istraživači i lekari sa Univerziteta u Pitsburgu i UPMC-a koristili su mašinsko učenje kako bi stvorili i primenili tačan i fleksibilan model za predviđanje pacijenata sa visokim rizikom od komplikacija nakon operacije, prema studiji objavljenoj u JAMA Network Open.
Pre pandemije COVID-19, treći vodeći uzrok smrti u svetu bile su komplikacije 30 dana nakon operacije, ubijajući oko 4,2 miliona ljudi svake godine. Identifikovanje pacijenata koji su pod visokim rizikom od komplikacija pre nego što se podvrgnu operaciji je ključno za spasavanje života i smanjenje troškova zdravstvene zaštite.
„Poboljšanje ukupnog zdravlja pacijenata pre operacije putem prehabilitacije može uveliko doprineti poboljšanju ishoda za visokorizične pacijente“, rekao je Aman Mahajan, MD, Ph. , i direktor UPMC perioperativnih i hirurških službi.
„Međutim, identifikacija visokorizičnih pacijenata može biti izazov za zaposlene kliničare, koji moraju da integrišu mnoštvo dostupnih zdravstvenih podataka i često vrše dodatna testiranja i kliničke procene. Želeli smo da izgradimo model koji je jednostavan za korišćenje i koji pruža zdravstvenu zaštitu tim sa automatizovanom i tačnom procenom rizika brzo koristeći postojeće podatke u elektronskom zdravstvenom kartonu“.
Da bi kreirali model, Mahajan i Oscar Marrokuin, MD, glavni službenik za zdravstvene podatke i analitiku u UPMC-u, i njihovi timovi su obučili algoritam da uče iz medicinske dokumentacije preko 1,25 miliona hirurških pacijenata. Model se fokusirao na mortalitet i na to da li su pacijenti imali veliki cerebralni ili srčani događaj, poput moždanog ili srčanog udara, nakon operacije. Model je zatim validiran u odnosu na još 200.000 pacijenata koji su bili podvrgnuti operaciji u UPMC-u.
Nakon validacije, model je raspoređen u 20 UPMC bolnica. Program svakog jutra čita elektronski medicinski karton za pacijente koji su zakazani za operaciju i označava one za koje je utvrđeno da su visokorizični. Ovo obaveštenje omogućava kliničkim timovima da bolje koordiniraju negu i uvedu neku prehabilitaciju pre operacije, kao što je donošenje zdravijih odluka ili čak upućivanje na UPMC centar za perioperativnu negu, smanjujući rizik od komplikacija. Kliničari takođe mogu pokrenuti model u bilo kom trenutku na zahtev.
Da bi bolje razumeli kako je njihov model u poređenju sa industrijskim standardom, Mahajan i njegov tim su ga uporedili sa Nacionalnim programom za poboljšanje kvaliteta hirurgije američkog koledža hirurga (ACS NSKIP). Dok se ACS NSKIP koristi u bolnicama širom zemlje, on zahteva od kliničara da ručno unose informacije o pacijentu i ne mogu da predvide ako informacije nedostaju. Mahajan i njegov tim otkrili su da je njihov model uradio bolji posao u identifikaciji pacijenata sa visokim rizikom od ACS NSKIP.
„Mi smo dizajnirali naš model imajući na umu zdravstvene radnike“, rekao je Marrokin. „Pošto je naš model potpuno automatizovan i može da pravi obrazovana predviđanja čak i ako neki podaci nedostaju, on gotovo da ne dodaje dodatno opterećenje kliničarima dok im pruža pouzdan i koristan alat.
Kako model nastavlja da se usavršava i razvija, Mahajan i njegov tim imaju za cilj da obuče program kako bi predvideli verovatnoću za sepsu, respiratorne probleme i druge komplikacije koje često drže pacijente u bolnici nakon operacije.
