Sepsis Deep Learning技術の日常診療への実世界での統合：実施研究

Real-World Integration of a Sepsis Deep Learning Technology Into Routine Clinical Care: Implementation Study.

• Mark P Sendak
• William Ratliff
• Dina Sarro
• Elizabeth Alderton
• Joseph Futoma
• Michael Gao
• Marshall Nichols
• Mike Revoir
• Faraz Yashar
• Corinne Miller
• Kelly Kester
• Sahil Sandhu
• Kristin Corey
• Nathan Brajer
• Christelle Tan
• Anthony Lin
• Tres Brown
• Susan Engelbosch
• Kevin Anstrom
• Madeleine Clare Elish
• Katherine Heller
• Rebecca Donohoe
• Jason Theiling
• Eric Poon
• Suresh Balu
• Armando Bedoya
• Cara O'Brien

抄録

背景:

機械学習をルーチンの臨床ケアに統合して成功することは非常に稀であり、その採用を阻む障壁は文献ではあまり特徴づけられていない。

BACKGROUND: Successful integrations of machine learning into routine clinical care are exceedingly rare, and barriers to its adoption are poorly characterized in the literature.

目的:

本研究は、ディープラーニング型の敗血症検出・管理プラットフォーム「Sepsis Watch」をルーチン臨床ケアに統合するための品質向上の取り組みを報告することを目的としています。

OBJECTIVE: This study aims to report a quality improvement effort to integrate a deep learning sepsis detection and management platform, Sepsis Watch, into routine clinical care.

方法:

2016年には、敗血症の検出と治療を抜本的に改善するために、ある学術医療システムの指導者によって、統計学者、データサイエンティスト、データエンジニア、臨床医からなる集学的チームが結成されました。本報告書では、学習型医療システムの枠組みに沿って、Sepsis Watchの問題評価、設計、開発、実施、評価計画を説明している。

METHODS: In 2016, a multidisciplinary team consisting of statisticians, data scientists, data engineers, and clinicians was assembled by the leadership of an academic health system to radically improve the detection and treatment of sepsis. This report of the quality improvement effort follows the learning health system framework to describe the problem assessment, design, development, implementation, and evaluation plan of Sepsis Watch.

結果:

Sepsis Watchは、日常的な臨床ケアへの統合に成功し、ローカルな機械学習プロジェクトの実行方法を再構築しました。現場の臨床スタッフは、ワークフロー、機械学習モデル、アプリケーションの設計と開発に大きく関与した。敗血症を早期に発見するために新しい機械学習手法が開発され、モデルの実装には堅牢なインフラが必要とされた。ステークホルダーの調整、信頼関係の構築、役割と責任の定義、現場スタッフのトレーニングには多額の投資が必要であり、Sepsis Watchを評価するために社内外の研究グループとの3つのパートナーシップの確立につながった。

RESULTS: Sepsis Watch was successfully integrated into routine clinical care and reshaped how local machine learning projects are executed. Frontline clinical staff were highly engaged in the design and development of the workflow, machine learning model, and application. Novel machine learning methods were developed to detect sepsis early, and implementation of the model required robust infrastructure. Significant investment was required to align stakeholders, develop trusting relationships, define roles and responsibilities, and to train frontline staff, leading to the establishment of 3 partnerships with internal and external research groups to evaluate Sepsis Watch.

結論:

機械学習モデルは臨床的意思決定を強化するために開発されるのが一般的だが、日常的な臨床ケアに機械学習を統合して成功した例は稀である。深層学習を臨床ケアに統合するためのプレイブックはありませんが、Sepsis Watchの統合から得られた知見は、他のヘルスケア・デリバリー・システムで機械学習技術を開発するための取り組みに役立つ可能性があります。

CONCLUSIONS: Machine learning models are commonly developed to enhance clinical decision making, but successful integrations of machine learning into routine clinical care are rare. Although there is no playbook for integrating deep learning into clinical care, learnings from the Sepsis Watch integration can inform efforts to develop machine learning technologies at other health care delivery systems.

©Mark P Sendak, William Ratliff, Dina Sarro, Elizabeth Alderton, Joseph Futoma, Michael Gao, Marshall Nichols, Mike Revoir, Faraz Yashar, Corinne Miller, Kelly Kester, Sahil Sandhu, Kristin Corey, Nathan Brajer, Christelle Tan, Anthony Lin, Tres Brown, Susan Engelbosch, Kevin Anstrom, Madeleine Clare Elish, Katherine Heller, Rebecca Donohoe, Jason Theiling, Eric Poon, Suresh Balu, Armando Bedoya, Cara O'Brien. Originally published in JMIR Medical Informatics (http://medinform.jmir.org), 15.07.2020.