患者伤害是一个持久而紧迫的医疗保健问题,直接影响患者体验和整体结果。根据最近的估计,三分之一住院患者遭受可预防的伤害,及以上每年40万人死于这些伤。作为第三大死亡原因,可预防的伤害每年花费卫生系统超过10亿美元。
随着卫生系统寻求改善的途径患者安全在美国,许多组织都在寻求利用机器学习的患者伤害风险评估工具。本文介绍了机器学习如何为更好的风险预测工具提供支持,最终目标是帮助临床医生在患者受到伤害之前识别安全问题。
以前的风险预测模型是有限的,因为它们是使用不同于使用工具的人群开发的。这些开箱即用的模型(比如预测再入院的LACE)的另一个缺点是,它们经常受到训练数据那是15到20岁的孩子。这些通用工具也被孤立在独立的预测系统中;例如,风险评估工具只关注一种事件(例如,慢性阻塞性肺病(COPD)患者的再入院),而不是对潜在安全事件的全因危害观点。
患者往往面临各种负面结果的风险,因此使用孤立的风险评估方法,临床医生错过了管理或预防伤害的机会。病人安全团体设计了一个整个病人的安全措施解决患者伤害测量中的竖井问题。同样的概念也需要应用于风险预防。一种更好的、机器学习驱动的患者安全工具使用卫生系统数据来评估整个患者的风险,让临床医生全面了解存在安全事件风险的患者,包括识别特定事件以及可修改的风险因素。
这种新一代基于机器学习的患者安全工具将在信息和行动之间建立闭环,因为软件不仅预测伤害的可能性,而且还预测最重要的临床行动,以降低患者的风险,帮助临床医生做出明智的干预决策。临床医生将能够在伤害发生之前预测,知道患者群体中哪些人处于危险之中,了解患者的哪些可改变的风险因素需要改变,并能够及时进行干预。
为了成功地降低患者伤害率,今天的患者安全风险评估工具必须具备五个核心功能:
新一代机器学习安全监控与它们正在取代的回顾性工具之间的主要区别在于,机器学习工具使用来自同一卫生系统的数据,不仅可以了解导致伤害的风险因素,还可以确定目前正在接受治疗的患者正在受到伤害或即将受到伤害。机器学习功能可以帮助组织在患者受到伤害或面临伤害风险之前获得上游风险。
最终,预测性患者安全工具将通过建议针对可改变的风险因素的干预措施并记录这些干预措施来促进组织减轻患者伤害的方式。下一个目标是与成本管理工具集成,以确定成本,并推荐数据驱动的、具有成本效益的干预措施。
鉴于目前卫生系统中可预防的患者伤害发生率高得令人无法接受,改善患者安全是一项重要的卫生保健任务。机器学习将通过启用安全监控工具来推动解决方案,这些工具使用卫生系统数据来识别有风险的患者,确定患者可改变的风险因素和影响因素,并最终推荐最具成本效益的干预措施。
医疗保健改善患者安全和治疗结果的最佳机会在于预测危害并采取行动预防。正如医学博士、MPP、IHI名誉主席和高级研究员Don Berwick在2017年国家患者安全基金会患者安全大会的主题演讲中所解释的那样,医疗保健行业在改善患者安全方面还有很多工作要做。“人们有一种错觉,认为我们已经在安全方面进行了工作,”贝里克说,并补充说,医疗保健部门还没有对患者的伤害和预防方法有真正的了解。通过一种全面的、并发的数据驱动的方法来伤害患者,机器学习有望将患者安全从幻想转变为现实。
你想了解更多关于这个话题的信息吗?以下是我们推荐的一些文章:
您愿意使用或分享这些概念吗?下载这个突出重点的演示文稿。
我们以为您提供相关、有用的内容而自豪。我们可以使用cookie来跟踪您阅读的内容吗?我们非常重视您的隐私。请参阅我们的隐私政策详情和任何问题。