DOI: https://doi.org/10.1038/s41746-023-00986-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38263386
تاريخ النشر: 2024-01-23
المؤلف: Aaron Boussina وآخرون
الموضوع الرئيسي: تشخيص وعلاج الإنتان
نظرة عامة
تبحث الدراسة في فعالية نموذج التعلم العميق، COMPOSER، في التنبؤ المبكر بالإنتان وتأثيره على نتائج المرضى. أجريت كدراسة شبه تجريبية عبر قسمين للطوارئ ضمن نظام صحة جامعة كاليفورنيا في سان دييغو، حيث تم تحليل بيانات من 6,217 مريضًا بالغًا مصابًا بالإنتان على مدى فترة من 1 يناير 2021 إلى 30 أبريل 2023. تضمنت التدخلات نصيحة أفضل ممارسة موجهة للممرضين (BPA) تم تفعيلها بواسطة نموذج COMPOSER، مع تقييم النتائج في فترتي ما قبل التدخل (705 أيام) وما بعد التدخل (145 يومًا).
كشفت النتائج عن انخفاض مطلق بنسبة 1.9% (انخفاض نسبي بنسبة 17%) في معدل وفيات الإنتان داخل المستشفى (95% CI، 0.3%-3.5%) وزيادة مطلقة بنسبة 5.0% (زيادة نسبية بنسبة 10%) في الامتثال لحزمة الإنتان (95% CI، 2.4%-8.0%). بالإضافة إلى ذلك، كان هناك انخفاض بنسبة 4% (95% CI، 1.1%-7.1%) في التغير خلال 72 ساعة في درجة تقييم فشل الأعضاء التسلسلي (SOFA) بعد بدء الإنتان. تشير هذه النتائج إلى أن تنفيذ نموذج COMPOSER مرتبط بتحسين نتائج المرضى، مما يبرز دوره المحتمل في تعزيز إدارة الإنتان في البيئات السريرية.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة للإنتان، وهي حالة شديدة وغالبًا ما تكون مميتة تؤثر على حوالي 48.9 مليون فرد على مستوى العالم كل عام، مع حوالي 11 مليون حالة تؤدي إلى الوفاة. يتم التأكيد على أهمية الكشف المبكر كعامل حيوي للتدخلات الفعالة، بما في ذلك إنعاش السوائل والعلاج بالمضادات الحيوية، والتي تكون أكثر فائدة عند تقديمها على الفور. تقدم تعقيدات وتنوع الإنتان تحديات في تحديده، مما يستدعي استخدام التحليلات التنبؤية لتعزيز الكشف المبكر.
يقدم المؤلفون COMPOSER، وهو نموذج تعلم عميق مصمم لاستخدام بيانات السجلات الصحية الإلكترونية (EHR) في الوقت الحقيقي للتنبؤ بالإنتان قبل ظهور الأعراض السريرية. على الرغم من وجود خوارزميات مختلفة للإنتان، إلا أن العديد منها لم يتم التحقق منه بدقة في البيئات السريرية، مما يؤدي غالبًا إلى قيم تنبؤية إيجابية منخفضة (PPV) ويساهم في تشكك مقدمي الرعاية تجاه النماذج التنبؤية. يهدف COMPOSER إلى تقليل التنبيهات الإيجابية الكاذبة، والتي يمكن أن تؤدي إلى إرهاق التنبيهات والإرهاق بين مقدمي الرعاية الصحية، من خلال تصنيف القيم الشاذة على أنها غير محددة. تهدف الدراسة إلى تقييم جدوى تنفيذ خوارزمية COMPOSER في قسمين للطوارئ في جامعة كاليفورنيا في سان دييغو وتقييم تأثيرها على التعرف المبكر على الإنتان ونتائج المرضى من خلال تصميم شبه تجريبي، يقارن النتائج قبل وبعد نشر الخوارزمية.
الطرق
في هذه الدراسة شبه التجريبية الاستباقية قبل وبعد، سعى الباحثون لتقييم فعالية نصيحة أفضل ممارسة للإنتان (BPA) المدعومة بنموذج COMPOSER للتعلم العميق على نتائج المرضى ومقاييس العملية. حصلت الدراسة على موافقة مجلس المراجعة المؤسسية (IRB) وأُجريت في قسمين للطوارئ (EDs) بحجم مرضى سنوي مشترك يبلغ حوالي 100,000. تم تحديد المرضى البالغين (≥18 عامًا) على أنهم مصابون بالإنتان بناءً على معايير Sepsis-3، والتي تضمنت أدلة على خلل في الأعضاء (يتم تعريفه بزيادة نقطتين في درجة تقييم فشل الأعضاء التسلسلي (SOFA)) والاشتباه السريري في العدوى، الذي تم تحديده من خلال معايير محددة تتعلق بزراعة الدم والعلاج بالمضادات الحيوية.
تم إجراء التحليلات الإحصائية باستخدام برنامج R، مع استخدام اختبارات مجموع الرتب كروسكل-واليس للمتغيرات المستمرة واختبارات كاي تربيع لبيانات الفئات، مع تحديد الدلالة عند قيمة P تبلغ 0.05. لتقييم التأثير السببي لتدخل BPA الخاص بـ COMPOSER، تم استخدام نموذج سلسلة زمنية هيكلية بايزي. يأخذ هذا النموذج في الاعتبار العوامل المربكة ويستخدم اتجاهًا خطيًا محليًا، ويقدر النتائج المضادة للواقع لو لم يتم تنفيذ التدخل. شمل النموذج متغيرات مختلفة مثل حجم قسم الطوارئ، الجنس، درجات SOFA الأساسية، عبء الأمراض المصاحبة، العمر، حالة COVID-19، والاتجاهات الموسمية. ضمنت التحليل نمذجة قوية لبيانات السلاسل الزمنية، دون وجود قيم مفقودة في المتغيرات، مما يوفر تقييمًا شاملاً لتأثيرات التدخل على إدارة الإنتان.
النتائج
خلال فترة الدراسة من 1 يناير 2021 إلى 30 أبريل 2023، استوفى إجمالي 6,340 من حالات قسم الطوارئ تعريف الإجماع Sepsis-3 للإنتان. بعد استبعاد 123 مريضًا انتقلوا إلى تدابير الراحة قبل بدء الإنتان، تألفت المجموعة النهائية من 6,217 مريضًا، مع 5,065 في مرحلة ما قبل التدخل و1,152 في مرحلة ما بعد التدخل. تم تفصيل الخصائص الأساسية والإحصائيات الملخصة لمجموعة الدراسة في الجدول 1، بينما يوفر الجدول التكميلي 1 تحليلًا مقارنًا للخصائص الأساسية عبر أقسام الطوارئ المختلفة.
قدمت الغالبية العظمى من المرضى المصابين بالإنتان بمشاكل صحية مزمنة، حيث أشار ذلك إلى درجة إلكسهاوزر متوسطة تبلغ 5، ودرجة SOFA متوسطة تبلغ 2 في وقت تشخيص الإنتان. من المهم أنه لم يتم ملاحظة اختلافات كبيرة في الخصائص الأساسية بين مجموعتي ما قبل التدخل وما بعد التدخل، مما يشير إلى أن التدخل لم يغير الملف الديموغرافي أو السريري للمرضى المدروسين.
المناقشة
في هذه الدراسة شبه التجريبية، أدى تنفيذ نموذج COMPOSER للتعلم العميق للتنبؤ المبكر بالإنتان في قسمين للطوارئ (EDs) إلى تحسينات كبيرة في نتائج المرضى. ارتبط النموذج بزيادة مطلقة بنسبة 5.0% في الامتثال لحزم رعاية الإنتان وانخفاض مطلق بنسبة 1.9% في وفيات الإنتان داخل المستشفى، مما يترجم إلى انخفاض نسبي بنسبة 17% في الوفيات بين مرضى الإنتان. من الجدير بالذكر أن متوسط معدل وفيات الإنتان خلال فترة ما بعد التدخل كان 9.49%، مقارنة بتوقع مضاد للواقع يبلغ 11.39%. كما سهل النموذج تقديم المضادات الحيوية بشكل أسرع، خاصة عندما أشار الممرضون إلى أنهم سيقومون بإخطار الأطباء على الفور، مما ارتبط بانخفاض كبير في الوقت حتى العلاج.
تسلط الدراسة الضوء على إمكانيات خوارزميات التعلم العميق لتعزيز اتخاذ القرار السريري وتحسين النتائج الموجهة نحو المرضى في إدارة الإنتان. بينما النتائج واعدة، يعترف المؤلفون بالقيود، بما في ذلك التصميم غير العشوائي والحاجة إلى التحقق الخارجي في بيئات الرعاية الصحية المتنوعة. يؤكدون على أهمية التعليم المستمر والمراقبة للحفاظ على فوائد التدخل. بشكل عام، تمثل هذه الدراسة تقدمًا كبيرًا في تطبيق الذكاء الاصطناعي في الممارسة السريرية، مما يشير إلى أن مثل هذه النماذج يمكن أن تسد الفجوة بين التحليلات التنبؤية والتحسينات الملموسة في رعاية المرضى.
DOI: https://doi.org/10.1038/s41746-023-00986-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38263386
Publication Date: 2024-01-23
Author(s): Aaron Boussina et al.
Primary Topic: Sepsis Diagnosis and Treatment
Overview
The research investigates the effectiveness of a deep-learning model, COMPOSER, in the early prediction of sepsis and its impact on patient outcomes. Conducted as a quasi-experimental study across two Emergency Departments within the UC San Diego Health System, the study analyzed data from 6,217 adult septic patients over a period from January 1, 2021, to April 30, 2023. The intervention involved a nurse-facing Best Practice Advisory (BPA) triggered by the COMPOSER model, with outcomes assessed in both pre-intervention (705 days) and post-intervention (145 days) periods.
The findings revealed a statistically significant 1.9% absolute reduction (17% relative decrease) in in-hospital sepsis mortality (95% CI, 0.3%-3.5%) and a 5.0% absolute increase (10% relative increase) in sepsis bundle compliance (95% CI, 2.4%-8.0%). Additionally, there was a 4% reduction (95% CI, 1.1%-7.1%) in the 72-hour change in the Sequential Organ Failure Assessment (SOFA) score following sepsis onset. These results indicate that the implementation of the COMPOSER model is associated with improved patient outcomes, highlighting its potential role in enhancing sepsis management in clinical settings.
Introduction
The introduction of the research paper addresses the critical issue of sepsis, a severe and often fatal condition affecting approximately 48.9 million individuals globally each year, with around 11 million resulting in death. Early detection is emphasized as vital for effective interventions, including fluid resuscitation and antibiotic therapy, which are most beneficial when administered promptly. The complexity and variability of sepsis present challenges in its identification, prompting the use of predictive analytics to enhance early detection.
The authors introduce COMPOSER, a deep-learning model designed to utilize real-time electronic health record (EHR) data to predict sepsis prior to the emergence of clinical symptoms. Despite the existence of various sepsis algorithms, many have not been rigorously validated in clinical settings, often resulting in low positive predictive values (PPV) and contributing to provider skepticism towards predictive models. COMPOSER aims to mitigate false positive alerts, which can lead to alarm fatigue and burnout among healthcare providers, by categorizing outliers as indeterminate. The study aims to evaluate the feasibility of implementing the COMPOSER algorithm in two emergency departments at UC San Diego Health and to assess its impact on early sepsis recognition and patient outcomes through a quasi-experimental design, comparing outcomes before and after the algorithm’s deployment.
Methods
In this prospective before-and-after quasi-experimental study, the researchers aimed to evaluate the effectiveness of a sepsis Best Practice Advisory (BPA) powered by the COMPOSER deep-learning model on patient outcomes and process measures. The study received Institutional Review Board (IRB) approval and was conducted in two emergency departments (EDs) with a combined annual patient volume of approximately 100,000. Adult patients (≥18 years) were identified as septic based on the Sepsis-3 criteria, which included evidence of organ dysfunction (defined by a two-point increase in the Sequential Organ Failure Assessment (SOFA) score) and clinical suspicion of infection, established through specific criteria involving blood cultures and antibiotic therapy.
Statistical analyses were performed using R software, employing Kruskal-Wallis rank sum tests for continuous variables and Pearson’s chi-squared tests for categorical variables, with significance set at a P-value of 0.05. To assess the causal impact of the COMPOSER BPA intervention, a Bayesian structural time-series model was utilized. This model, which accounts for confounders and employs a local linear trend, estimates the counterfactual outcomes had the intervention not been implemented. The model included various covariates such as emergency department volume, sex, baseline SOFA scores, comorbidity burden, age, COVID-19 status, and seasonal trends. The analysis ensured robust modeling of the time-series data, with no missing values in the covariates, thereby providing a comprehensive evaluation of the intervention’s effects on sepsis management.
Results
During the study period from January 1, 2021, to April 30, 2023, a total of 6,340 emergency department encounters met the Sepsis-3 consensus definition for sepsis. After excluding 123 patients who transitioned to comfort measures prior to sepsis onset, the final cohort comprised 6,217 patients, with 5,065 in the pre-intervention phase and 1,152 in the post-intervention phase. Baseline characteristics and summary statistics for the study cohort are detailed in Table 1, while Supplementary Table 1 provides a comparative analysis of baseline characteristics across different emergency departments.
The majority of septic patients presented with chronic comorbidities, indicated by a median Elixhauser score of 5, and a median SOFA score of 2 at the time of sepsis diagnosis. Importantly, no significant differences were observed in the baseline characteristics between the pre-intervention and post-intervention groups, suggesting that the intervention did not alter the demographic or clinical profile of the patients studied.
Discussion
In this quasi-experimental study, the implementation of the COMPOSER deep-learning model for early sepsis prediction in two emergency departments (EDs) resulted in significant improvements in patient outcomes. The model was associated with a 5.0% absolute increase in compliance with sepsis care bundles and a 1.9% absolute reduction in in-hospital sepsis-related mortality, translating to a 17% relative decrease in mortality among sepsis patients. Notably, the average sepsis mortality rate during the post-intervention period was 9.49%, compared to a counterfactual prediction of 11.39%. The model also facilitated quicker antibiotic administration, particularly when nurses indicated they would notify physicians immediately, which was linked to a significant reduction in time to treatment.
The study highlights the potential of deep-learning algorithms to enhance clinical decision-making and improve patient-centered outcomes in sepsis management. While the findings are promising, the authors acknowledge limitations, including the non-randomized design and the need for external validation in diverse healthcare settings. They emphasize the importance of continuous education and monitoring to sustain the benefits of the intervention. Overall, this research represents a significant advancement in the application of artificial intelligence in clinical practice, suggesting that such models can effectively bridge the gap between predictive analytics and tangible improvements in patient care.