Penn Medicine разрабатывает модель для прогнозирования посещений скорой помощи пациентам с раком легких
Добавить в закладки
Статьи

Penn Medicine разрабатывает модель для прогнозирования посещений скорой помощи пациентам с раком легких

Пилотная программа, которая использует большие данные для прогнозирования того, каким пациентам с раком легких потребуется поездка в отделение неотложной помощи (ED), успешно предвидела треть всех посещений ED в течение двухнедельного испытательного периода и смогла определить, какие пациенты с высоким риском и низким риском необходимости в такой помощи. Прогностическая модель была разработана исследователями из Медицинской школы Перельмана при Пенсильванском университете с конечной целью разработки инструмента для раннего вмешательства, который поможет пациентам избежать визитов в отделение неотложной помощи. Они представят свои данные в виде устного реферата на Ежегодном собрании Американского общества терапевтической радиационной онкологии (ASTRO) 2017 г. в Сан-Диего ( Реферат № 2022 ).
Рак легкого является наиболее распространенным диагнозом среди онкологических больных, обращающихся в отделения неотложной помощи, чаще всего из-за инфекции, снятия боли или других симптомов, связанных с их заболеванием. Примерно 40 процентов пациентов с раком легких будут посещать отделение неотложной помощи во время лечения, и 60 процентов этих посещений заканчиваются госпитализацией. Кроме того, отчеты показали, что рак легких превосходит другие типы рака с точки зрения посещений отделения неотложной помощи среди онкологических больных, составляя 33 процента всех таких посещений согласно одному недавнему исследованию . Эти посещения сопряжены с расходами для пациентов — в финансовом и психологическом плане, — а также для самой системы здравоохранения. По данным Национального института рака, к 2020 году стоимость лечения рака легких в Америке вырастет до 14,73 миллиарда долларов..

«Необходимость предвидеть эти посещения имеет решающее значение, но очень мало исследований, которые оценивают факторы риска таким образом, чтобы позволить раннее вмешательство клинициста», — сказала ведущий автор исследования Дженнифер Фогель, доктор медицинских наук , резидент отделения радиации. Онкология в Пенсильвании.

Модель, разработанная Пенном, использует информацию о пациенте, полученную из электронных медицинских карт. Он выявил ключевые сопутствующие заболевания, такие как гипертония, заболевание печени и сердечная аритмия. Также были отмечены конкретные симптомы, такие как тошнота, рвота и потеря веса, а также значения результатов лабораторных исследований, такие как аномальное количество тромбоцитов, креатинина и лейкоцитов.

«Наша модель объединяет все это воедино и взвешивает каждый фактор, чтобы определить персонализированный риск для каждого пациента в любой данный момент времени», — сказала старший автор Эбигейл Т. Берман, доктор медицинских наук, MSCE , доцент кафедры радиационной онкологии в Пенсильвании и университете. заместитель директора Пенсильванского центра точной медицины. «Это также дает врачам оповещения в режиме реального времени, когда пациент находится в группе высокого риска».

После разработки модели на данных 2500 пациентов и проверки ее на втором наборе исследователи использовали ее в течение двухнедельной пилотной программы. За это время модель смогла предвидеть 68 из 207 посещений отделения неотложной помощи (33 процента), необходимых для пациентов с раком легких. Прогнозы также показали многообещающие возможности классификации пациентов по уровням риска. Из 131 пациента, идентифицированного как «группа высокого риска», 13 (10 процентов) обратились в отделение неотложной помощи. Из 678 пациентов, отнесенных к группе «низкого риска», только 10 (1,5 процента) потребовалось посещение отделения неотложной помощи. Это демонстрирует, что модель успешно различает пациентов с высоким и низким риском, поскольку пациенты с высоким риском в 6,6 раз чаще посещают отделение неотложной помощи по сравнению с пациентами с низким риском.




Добавить в избранное Версия для печати
Поделитесь:
Автор: admin
Опубликовано: 26.01.2021

Adblock
detector
  X