Multicenter validatie en klinische ervaring van EzaPredictive voor de Spoedeisende Hulp en klinische afdelingen

Het beheer van de patiëntenstroom is steeds belangrijker geworden voor
ziekenhuissystemen. Nieuwe methoden voor machinaal leren (ML) kunnen helpen
door informatie te geven die zorgprofessionals ondersteunt bij hun
patiëntenstroombeheer op de spoedeisende hulp (ER) en klinische afdelingen. Er
zijn echter maar weinig van deze voorspellingsmodellen geïmplementeerd in de
klinische praktijk en we weten weinig over de toegevoegde waarde van deze tools
voor het ondersteunen van zorgprofessionals bij hun patiëntenstroombeheer.
Bovendien hebben weinig studies de klinische ervaring en acceptatie van deze
ML-ondersteuningstools onderzocht.
We stellen daarom voor om deze aspecten te bestuderen voor de tool
EzaPredictive 1.0. EzaPredictive 1.0 biedt verklaarbare ML-voorspellingen voor
ziekenhuisopname, ER-verblijfsduur (LOS) en ziekenhuis-LOS.

Doelstelling 1: Vergelijk de voorspellingen van de EzaPredictive 1.0
ML-modellen voor ziekenhuisopname, ER LOS en ziekenhuis LOS met voorspellingen
van zorgprofessionals.
Doelstelling 2: Beoordeel de ervaring van professionele zorgverleners en
acceptatie van EzaPredictive 1.0 voor het ondersteunen van hun
patiëntenstroombeheer.

Voor doelstelling 1 gaan we een multicenter observationeel onderzoek uitvoeren
in ten minste twee Nederlandse algemene ziekenhuizen die verschillen van de
ziekenhuizen waar de EzaPredictive 1.0-software is ontwikkeld en twee
Nederlandse algemene ziekenhuizen die hebben deelgenomen aan de ontwikkeling
van EzaPredictive 1.0.
In deze studie vergelijken we de voorspellende prestaties en 'inter-rater
reliability' van de (individuele) zorgprofessionals en de machine learning
algoritmen in de EzaPredictive 1.0-software. Voorspellingen worden in twee
fasen verzameld. Tijdens de eerste fase zijn zorgprofessionals blind voor de
machine learning uitkomsten. Tijdens de tweede fase worden machine learning
uitkomsten voor de patiënt getoond aan zorgprofessionals nadat ze hun
voorspellingen voor die patiënt hebben gerapporteerd.
Voor doelstelling 2 geven we de zorgprofessionals de volledige ervaring van
EzaPredictive 1.0 in een derde fase van het onderzoek. In deze fase wordt de
overzichtspagina met machine learning voorspellingen van alle patiënten van een
afdeling getoond aan zorgprofessionals, naast de machine learning
voorspellingen per patiënt. Aan het einde van deze derde fase verspreiden we
vragenlijsten om feedback van zorgprofessionals te verzamelen over de
acceptatie en bruikbaarheid van EzaPredictive 1.0 om hen te ondersteunen bij
hun patiënt flow management.

Risico's: het onderzoek heeft geen directe gevolgen voor de patiëntenzorg.
Tijdens de tweede fase van de observationele studie zullen real-time machine
learning voorspellingen van een patiënt worden getoond nadat zorgprofessionals
hun eigen schattingen voor die patiënt hebben verstrekt om interactie met en
leren van de inzichten van de tool aan te moedigen. Tijdens de derde fase van
het onderzoek worden real-time machine learning voorspellingen van een patiënt
en het overzicht van real-time machine learning voorspellingen voor alle
patiënten van een afdeling getoond om de ervaring van zorgverleners met de
EzaPredictive 1.0-software te beoordelen in een kwalitatief
vragenlijstonderzoek .

Het beoogde gebruik van de EzaPredictive 1.0-software is beperkt tot
ondersteuning bij het beheer van de patiëntstroom, waarbij diagnostisch of
therapeutisch gebruik expliciet wordt uitgesloten (MDR klasse I).
Zorgprofessionals zullen duidelijk worden geïnstrueerd over het bedoelde en
juiste gebruik van de EzaPredictive 1.0-software. Elk effect tijdens dit
onderzoek zal dus logistiek van aard zijn en hooguit invloed hebben op de
timing van bepaalde beslissingen indien toelaatbaar (bijvoorbeeld het regelen
van een ziekenhuisopname). De risico's voor patiënten verbonden aan deze studie
zijn daarom verwaarloosbaar. De risico's voor zorgprofessionals zijn minimaal
met de juiste training.