研究人员开发数据工具，可以改善护理

在复杂的机器学习的帮助下，UPMC和匹兹堡大学医学院的研究人员证明，他们开发的一种工具可以快速预测在医院之间转院的患者的死亡率，以获得更高的灵敏度护理。这项研究今天发表在《公共科学图书馆•综合》，可以帮助医生、患者及其家属避免不必要的医院转院和低价值的治疗，同时更好地专注于患者表达的护理目标。

每年有将近160万病人(占所有住院病人的3.5%)从一家医院转到另一家医院，以获得复杂病情的专门治疗。“然而，获得这些服务往往需要负担沉重的旅行，并减少对患者及其家人的社区支持。虽然有些人可能会从急性疾病中恢复，但许多人在改善结果方面几乎没有受益，”丹尼尔·e·霍尔博士说，他是该研究的通讯作者，也是UPMC沃尔夫中心高危人群和结果的医学主任，皮特医学院外科副教授。

为了解决患者护理协调方面的差距，目前依赖于床边临床医生的临时判断，Hall和他的团队开发了一种实时工具，可以预测患者在医院转移时的死亡率结果，并在不到5分钟内将这些结果传递给医生。

研究人员使用了近21000名18岁及以上患者的数据，这些患者在12个月内被转移到UPMC医院，研究人员开发并验证了一种名为“SafeNET”(安全非选择性紧急转移)的死亡风险评估工具。在研究了目前在医院重症监护室和入院环境中使用的其他死亡风险模型后，霍尔和他的团队构建了一个包含70个自变量的列表，用于其中一个或多个模型，包括患者人口统计数据、生命体征、实验室测试和其他因素。

然后，他们分析了UPMC的账单数据和住院患者的电子健康记录，以确定接收医院是否记录了这些变量，并只关注转移后3小时内可用的变量。这将70个变量中的54个剔除。使用指导机器学习在数据的训练集和测试集上，该团队最终开发了由14个变量组成的SafeNET算法，该算法可靠而快速地预测转院患者的住院、30天和90天死亡率。他们还将SafeNET的预测能力与另一种用于感染患者的工具进行了比较，发现SafeNET算法更准确，可以用于更一般的患者群体。

霍尔说:“我们的首要目标是为一线医生提供急需的信息，以触发并告知关于最高风险患者的共同决定。”“这个工具可以帮助为这些患者提供额外的资源，以确保护理计划符合患者的价值观和目标。通常情况下，转院患者及其家属不了解他们所面临的疾病的严重性，对转院接受更高级别治疗的结果抱有不切实际的期望。”

通过在UPMC系统内的三家医院试用该工具，研究人员将SafeNET构建为一个易于访问的基于web的应用程序。SafeNET指导用户输入尽可能多的即时可用变量，然后生成预测死亡风险——即使在至少一个变量缺失的情况下，也能准确地做到这一点，这种情况发生的概率超过一半。

霍尔警告说，在广泛部署SafeNET之前，还需要做进一步的工作。由于数据被限制为单一的，多的医院系统，研究结果可能不能推广到其他护理设置。而且，提供给算法的一些信息可能会有偏差。

UPMC正在开展工作，建立由SafeNET评分触发的护理路径，将所需资源直接用于预后不良风险最大的患者。例如，该工具正被用于试点研究，在考虑转院的临床医生之间发起目标澄清会议，并向考虑转院的患者提供远程视频会议的姑息治疗服务。

“SafeNET并不意味着要取代临床判断，”Hall指出。“相反，它的目的是触发‘暂停’，以便临床医生更好地准备通知和指导患者及其家属，最好是在危重患者转移之前。我们知道病人或者他们的代理人在与医生讨论他们的价值观时，往往会得到与他们的偏好一致的治疗。SafeNET可能是一种有效且廉价的方法工具促进这些重要的对话。”

---

---