在HIMSS25大会上，来自UCHealth医疗系统的数据专家将介绍他们如何利用与Epic电子健康记录（EHR）集成的机器学习模型，为护理团队提供患者特定的指导，以防止跌倒。
住院临床护理团队通常使用诸如床报警器、步态带、更靠近的护士站等工具来防止患者跌倒。但这些干预措施可能会阻碍临床工作流程，并且警报疲劳会使其效果不如预期。
为了确保只有高风险患者接受强化预防措施，并减少医护人员的警报疲劳，位于科罗拉多州奥罗拉的UCHealth开发了一种新型用户界面，该界面基于患者独特的风险档案提供具体的跌倒干预措施。
该工具使用移动数据、心理健康指标和其他风险因素来预测住院患者跌倒受伤的风险，并利用云工具将预测结果直接整合到Epic电子健康记录中。
“这个策略需要大量的数据输入到EHR中，并清除噪音，以便为临床医生提供清晰的建议，”UCHealth住院运营数据科学家布兰登·德鲁（Brendan Drew）和该医疗系统的临床信息学家布列塔尼·塞里亚克斯（Brittany Cyriacks）表示。
我们采访了德鲁和塞里亚克斯，了解他们如何利用人工智能和云工具进行这项工作。他们将在下个月拉斯维加斯举行的HIMSS25大会上的教育会议上详细解释。
问：模型是如何创建的，其主要目标是什么？
答： 我们的跨学科团队进行了文献综述，确定了风险变量——12个风险领域，92个潜在变量——并将它们映射到Epic数据元素。他们从超过181,000次住院入院中采样了数据，每次入院包括200多个特征。
最初，测试了XGBoost和正则化逻辑回归模型。最终，重新设计并结合了最重要的特征，形成了简化版的逻辑回归模型。
该模型每四小时运行一次，摄取最新的临床文档。它不是简单的高低指示器，而是采用三级分类——最高风险、升高风险和普遍风险——以提供更具临床可行性的结果。
分类生成了一份风险级别和患者特定预防措施的清单，可以确保患者的安全。
问：将模型集成到临床工作流程中遇到了哪些挑战？
答： 团队需要定义明确的分级预防措施（例如，“最高风险”患者应使用椅子/床报警器，保持在手臂范围内等），以便工作人员知道每个风险级别的具体行动。
除了标准化预防措施外，演示还将突出以下关键挑战：
- 风险的有意义展示：仅仅显示数值评分是不够的。临床医生需要看到为什么患者被标记为高风险，以及推荐了哪些预防措施。
- 前12小时的数据可用性：模型需要足够的临床数据输入和存在。在最初的12小时内，风险分类可能不完整，因此工作人员必须根据临床判断决定是否需要实施普遍预防措施或额外预防措施，而不仅仅依赖模型。
- 用户信任和采纳：确保护士和其他护理团队成员信任AI建议至关重要。持续沟通、培训和用户友好的界面有助于建立信心。关于跌倒事件的数据帮助将对话从信任AI建议转向实施患者预防措施的障碍。
- 工作流集成：该模型的输出和推荐预防措施被集成到现有的Epic流程表、弹出窗口和护理计划中，以便工作人员可以自然地使用它们，而不是增加额外步骤。
问：此次会议是否会提供使用AI减少跌倒伤害风险的经验教训？
答： 是的。该演示包括成功采用预测模型的策略、衡量模型性能的方法、解决不同人群（如西班牙语患者）之间的差异以及确保持续改进。
它还突出了“我们迄今为止学到了什么”的现实世界主题，为参会者提供了部署、监控和优化AI工具以预防跌倒的实用经验。我们将强调组织和护士在此过程中的参与度。
德鲁和塞里亚克斯的会议“跌倒伤害风险模型：从AI到临床干预”定于3月4日星期二下午3:15至4:15在HIMSS25上举行。
(全文结束)
