Au-delà du bruit : réduction de la fatigue liée aux alarmes cliniques

Comment nous le résolvons

Dirigé par Medtronic Canada en collaboration avec Excelar, Providence Health Care Ventures et l'Université de Toronto, ce projet fera progresser un algorithme d'apprentissage automatique (ML) pour réduire les nuisances liées à la SpO₂ les alarmes d'au moins 40 %.

L'algorithme ML de Medtronic peut prédire de manière fiable quelles alarmes sont exploitables et quelles alarmes sont inutiles et peuvent être désactivées en toute sécurité. Alors que d'autres solutions commerciales s'appuient sur le retardement ou la gestion des alarmes en déplaçant l'alarme loin du patient et sur les appareils mobiles que les cliniciens transportent avec eux, elles ne le font pas réellement. éliminé alarmes intempestives. Un exemple d'alarme exploitable est lorsqu'un patient est en détresse respiratoire (ne peut pas respirer correctement), ce qui provoque la SpO₂ de descendre en dessous d'un seuil. Un exemple d'alarme intempestive cliniquement non pertinente est une SpO₂ chute en dessous du seuil prédéfini par l'appareil (par exemple 90 %) pendant une très courte période. Cela peut être dû à un mouvement rapide du bras ou de la main, lorsque la SpO₂ le capteur a été temporairement retiré et repositionné, ou lorsque le patient se trouve à proximité d'un SpO₂ valeur juste au dessus du seuil.

Ce projet permettra de valider et d'affiner l'algorithme dans un environnement de soins réel à l'aide de capteurs en direct et de données de systèmes cliniques. Providence Health Care Ventures et CareFlow d'Excelar étendront leurs systèmes actuels à une plateforme standardisée qui permettra de développer, de tester, de contextualiser, de valider, de mettre en œuvre et d'observer/évaluer les performances des modèles et algorithmes d'IA dans des conditions de tests cliniques réelles pour les développeurs de technologies de la santé de manière plus rapide et plus rentable. L'algorithme d'IA de Medtronic sera le premier module de ce type validé à l'aide de cette plateforme. L'Université de Toronto s'efforcera également d'affiner et d'améliorer la précision de l'algorithme d'alarme en appliquant d'autres apprentissages automatiques et la personnalisation des alarmes, où les alarmes sont conçues pour des types spécifiques de patients, afin de fournir une approche de soins de santé plus personnalisée.

L'architecture du logiciel a également le potentiel d'être facilement étendue à d'autres SpO₂ des fournisseurs et des alarmes pour d’autres signes vitaux, comme la fréquence respiratoire et la pression artérielle.

Cette solution visera à réduire considérablement les problèmes liés aux alarmes intempestives dans les hôpitaux et fournira un modèle pour exploiter le potentiel extraordinaire de l’IA pour améliorer les soins.