Algorithmus identifiziert, von Krebs-Patienten in der Notwendigkeit von advance care planning-Gespräche

Viele Krebs-Patienten erhalten nicht die Gelegenheit, um zu diskutieren, Ihre Wünsche für die Behandlung, bis Ihre Krankheit ist zu weit Fortgeschritten, wenn es vielleicht zu spät, haben diese Diskussionen mit Angehörigen oder ärzten. Nun, ein Penn-Medizin-led-team hat einen Algorithmus entwickelt, der Fahnen Patienten wer würde am meisten profitieren von einem rechtzeitigen Gespräch über Ihre end-of-life-Ziele und Wünsche, in einer Bemühung zu beginnen, dass der Dialog früher. In einer neuen Studie, veröffentlicht heute in JAMA-Netzwerk Öffnen und gleichzeitig präsentiert auf der American Society of Clinical Oncology (ASCO), Supportive Care in der Onkologie-Symposium in San Francisco, CA—Forscher fanden heraus, dass 51 Prozent der Patienten der Algorithmus markiert als „hohe Priorität“ für diese Gespräche später starb innerhalb von sechs Monaten nach Ihrer Bewertung, im Vergleich zu weniger als vier Prozent in die „niedrigere Priorität“ – Gruppe. Diese Befunde legen nahe, den Algorithmus genau erfasst diejenigen Patienten, wer würde am meisten profitieren von der rechtzeitigen Diskussion über Ihre Ziele, Werte und Präferenzen für die Pflege.

Diese Studie wird angenommen, dass einer der, wenn nicht den ersten, Blick in die Anwendung von machine-learning-Algorithmus für onkologische Patienten.

„An einem bestimmten Tag, es ist eigentlich ziemlich schwierig zu identifizieren, welche Patienten in meiner Klinik würde am meisten profitieren von einer proaktiven advanced care planning-Gespräch“, sagte der Studie führen Autor Ravi Parikh, MD, Dozentin für Medizinethik und Gesundheitspolitik an der Universität von Pennsylvania und einen Personal Arzt bei der körperlichen Michael J. Crescenz VA Medical Center. „Die Patienten oftmals nicht bringen Ihre Wünsche und Ziele, sofern Sie dazu aufgefordert werden, und können die ärzte nicht die Zeit haben, dies zu tun in einer Klinik beschäftigt. Nachdem ein Algorithmus wie kann dies machen die ärzte in der Klinik zu stoppen und zu denken, ‚Ist dies der richtige Zeitpunkt, um darüber zu sprechen, Patienten Präferenzen?'“

Die Forscher wendeten drei verschiedene prädiktive Modelle zu 26,525 Patienten, die ambulant onkologische Versorgung in zwei Krankenhäuser im Rahmen des University of Pennsylvania Health System. Jeder verwendet Informationen, die Häufig in Patienten “ electronic health records: demografische Merkmale wie Geschlecht und Alter, standard-comorbidity-Daten, etwa, ob ein patient hat hohen Blutdruck, Labor-und EKG-Daten.

Im Vergleich zu anderen machine-learning-Techniken, wie „gradient boosting“ und „Logistische regression“, die „random-forest-Modell“, das team baute in dieser Studie führte zu den besten prädiktiven Ergebnisse: Rund die Hälfte der high-risk-Patienten starben innerhalb von sechs Monaten und fast 65 Prozent starben etwa ein Jahr-und-ein-halb später (im Vergleich zu 7,6 Prozent der niedrig-Risiko-Patienten). Wenn 15 Onkologen befragt, die Sie vereinbart, dass 60 Prozent der Befragten ermittelt, indem der Algorithmus als „high risk“ waren auf jeden Fall angemessen für sofortige Gespräche über Ihre Wünsche.

Dieser Algorithmus wurde mit Hilfe von einem team von Penn Medicine Forscher, die auch einen anderen Algorithmus für ähnliche Zwecke, genannt Palliative Verbinden. Dieses system wird verwendet, um den trigger-Konsultationen mit Palliative-Care-Mitarbeitern und wurde vor kurzem festgestellt, als besonders wirksam, die Erhöhung Konsultationen von 74 Prozent. Aber die Studie von Parikh ist anders, dass es zielt auf die Erhöhung Gespräche zwischen Patienten und Onkologen, die sich selbst in der ambulanten Einrichtung.

„Wir freuen uns über die Skalierbarkeit dieser Entscheidung unterstützen-Methode für Anbieter, und nicht nur in der Onkologie,“ Parikh sagte. „Unser Prozess bei der Verwendung der Maschine lernen, fahne hoch-Risiko-Patienten in Echtzeit ist breit anwendbar, und unser Ansatz Risiko-stratifies Patienten in einem brauchbaren Weg, die hat gerade nicht zur Verfügung stehen uns bevor.“

Nun, dass der Algorithmus hat Versprechen gezeigt, Parikh sagte, dass es umgesetzt wird in ein medical center, das war nicht Teil des ursprünglichen pilot für diese Studie. Dort, Forscher testen, ob die Ermittlung der besten Patienten für die Gespräche tatsächlich prompt die ärzte zu initiieren, diese Diskussionen. Die Forscher arbeiten derzeit an einer randomisierten, kontrollierten Studie mit rund 100 ärzten, die dauern zwischen drei und sechs Monaten.