2020年10月16日

微调与机器学习相结合使癌症患者之间的高级护理对话增加了三倍

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对话,从而使讨论的速度提高了三倍来自Penn Medicine的近15,000名患者,今天发表在 JAMA肿瘤学.

早期和频繁的对话 已证明患有严重疾病(尤其是癌症)的患者可以提高满意度,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这样的讨论,因为他们的疾病进展太快并且病得很重。

“在癌症内外,这是机器学习算法的首批实时应用之一,与提示相结合,可以切实帮助影响临床医生在不幸的事情发生之前及时发起这些讨论。”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,迈克尔·克雷森兹·弗吉尼亚医疗中心下士。 “而不仅仅是 。对于没有被举报的患者,交谈的次数几乎增加了一倍-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)博士是本研究的共同作者,当时是宾夕法尼亚大学癌症护理创新中心的研究员。

在另一期中 JAMA肿瘤学 该研究小组于9月发表论文,验证了Penn Medicine开发的机器学习工具在实时预测患者短期死亡率方面的有效性。 来自电子健康记录(EHR)。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识别可能及时受益的患者的优势之一 。与使用声明或其他类型的历史数据进行预测相反,它是实时的。

这项最新的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,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(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。在所有患者遭遇中,对照组的12170次遭遇中有155次发生严重疾病对话(1.3%),而在13889次遭遇的632次中发生了干预组的对话(4.6%)。

“从追溯验证到 验证以在诊所中进行实际测试以查看其是否可以塑形 宾夕法尼亚大学癌症护理创新中心的成员帕里克说:“由于它的成功,我认为我们为其他可能正在考虑使用分析来驱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。”



更多信息: Christopher R. Manz等。将机器学习死亡率估计值与行为推动因素相结合对临床医生对癌症患者严重疾病对话的影响, JAMA肿瘤学 (2020)。 DOI:10.1001 / jamaoncol.2020.4759
期刊信息: JAMA肿瘤学

引文: 微调与机器学习相结合使癌症患者之间的高级护理对话增加了三倍(2020年,10月16日) 2020年10月26日检索 from //xasqxhb.com/news/2020-10-nudges-combined-machine-triples-advanced.html
本文件受版权保护。除了出于私下学习或研究目的进行的任何公平交易外, 未经书面许可,不得复制部分内容。内容仅供参考。

用户评论