人工智能驱动的临床决策支持降低医院获得性静脉血栓栓塞症:一项试验方案
本文为VTE-AI随机临床试验方案,计划于2025年10月1日至2027年9月30日在范德堡大学医学中心城市院区及3所乡村医院开展,纳入≥18岁内科、外科和ICU住院成人。干预组在电子病历中接受VTE-AI风险评分驱动的提示(风险>3.6%且无活动性药物预防医嘱、无禁忌证时触发),对照组接受传统风险评估的标准治疗。主要结局为住院期间医院获得性VTE发生率,次要结局包括出血事件、30天非计划再入院和住院时间,计划样本量2236例次住院。
要点
- 纳入≥18岁内科、外科和ICU住院成人,在范德堡成人医院(城市)及3所乡村医院开展,计划2025年10月1日至2027年9月30日入组12个月。
- 干预为电子病历提示:仅对VTE-AI风险>3.6%、无活动性药物预防医嘱且无禁忌证的患者触发,自入院第2天起每日提示。
- 主要结局为住院期间医院获得性VTE发生率,假设从基线4.3%(12946例次中562例)降至2.2%,需2236例次住院。
- 次要结局包括出血事件、30天非计划再入院和住院时间,采用泊松回归比较组间差异。
- VTE-AI模型基于2018至2020年132330例次成人就诊数据开发,C统计量0.891(95%CI 0.882-0.900),积分校准指数0.001。
适用人群与场景
- 纳入标准:≥18岁、因内科、外科或重症监护住院收入范德堡成人医院(田纳西州纳什维尔城市院区)、范德堡塔拉霍马哈顿医院、范德堡贝德福德县医院或范德堡威尔逊县医院的成人患者,符合VTE-AI计算和随机化条件。
- 干预触发人群:VTE-AI风险>3.6%、当前无活动性深静脉血栓药物预防医嘱、且当前入院医嘱套餐中未记录禁忌证的患者。
- 排除(不触发提示):已有活动性药物预防医嘱、已记录药物预防禁忌证(如肝素诱导的血小板减少症病史、出血性疾病、计划手术、血小板计数<50/µL)或已记录可接受的预防措施的患者。
诊断标准与关键阈值
- VTE-AI风险阈值:>3.6%估计风险(原文称为最佳F1评分阈值)触发电子病历提示;风险≥3.6%的患者按1:1随机化。
- VTE-AI为逻辑回归预后模型,使用25个因素(从82个候选危险因素中选出),包括人口学和临床特征、诊断操作、生命体征和实验室检查(如全血细胞计数、生化 panel、C反应蛋白),无需临床医生手动输入即可实时计算。
- 禁忌证可为永久性(如肝素诱导的血小板减少症病史、出血性疾病)或暂时性(如计划手术、血小板计数<50/µL)。
处置流程与药物剂量
- 在入院医嘱写入后的第2天起,每日在电子病历医嘱界面触发OurPractice Advisory提示,直至开具预防医嘱或记录禁忌证。
- 提示内容为建议考虑药物性VTE预防(VTE预防面板),并提供替代操作:不同意警报、录入暂时或永久禁忌证、或标明患者已接受可接受的预防。
- 若在提示中选择“忽略并暂时禁忌”操作,提示不会因此停止,其余任何操作(包括开具预防医嘱、记录永久禁忌证或标明已接受可接受预防)均会停止提示。
- 随机化使用患者病历号与入院日期组合的哈希值,确保同一住院期间分配组别不变。
红旗征与不能漏的情况
- 出血事件是药物预防的主要安全性顾虑,将作为次要结局通过已发表的出血相关诊断代码列表识别,并对每例住院进行电子病历人工复核。
研究设计与关键结果
- 研究设计:平行组、单盲、实用性随机临床试验,计划于2025年10月1日至2027年9月30日开展,入组12个月,在4所医院(1所城市学术医院和3所乡村医院)进行。
- 样本量:需2236例次住院(每组至少1118例次),基于双侧二项检验、80%把握度、5%Ⅰ类错误,假设VTE发生率从基线4.3%(562/12946)降至2.2%。
- 主要结局:住院期间医院获得性VTE发生率;次要结局:出血事件、30天非计划再入院和住院时间,采用泊松回归调整混杂因素后比较组间发生率差异。
- 模型性能:VTE-AI模型C统计量0.891(95%CI 0.882-0.900),积分校准指数0.001,按年龄、性别、种族和族裔、入院类型无性能差异。
- 原文报告2023至2024年历史数据中每月有150至230例次住院符合上述标准。
证据类型、等级与局限
- 证据类型:随机对照试验方案(SPIRIT报告规范),尚未报告试验结果。
- 局限:研究仅聚焦于单一州的1个区域临床站点;不同入院流程可能导致AI提示在不同场景的采纳程度不一;污染可能稀释干预效果;风险模型随时间漂移(结局漂移或特征漂移),在本试验范围内不会诊断或纠正。
对床旁实践的改变
- 该试验旨在评估AI驱动的电子病历提示能否在不增加不良事件的情况下降低医院获得性VTE发生率,结果尚未公布,目前不能据此改变床旁预防决策。
- 作者认为,仅对VTE-AI评估为高风险且无记录禁忌证的患者进行提示,可能减少提示负担并改善预防质量。
- 作者认为,该试验可能为在大型异质临床系统中通过靶向提示促进循证实践、减少警报疲劳的可扩展方法提供信息,并可能影响在广泛采用此类AI驱动质量改进系统前要求跨站点验证的政策制定。
指南或共识出处
- 临床试验注册:ClinicalTrials.gov标识符NCT06939803。
全文中译17 节 · 点击展开
引言
医院获得性静脉血栓栓塞症(HA-VTE)仍是美国住院成人中可预防性死亡的主要原因之一。1,2 每年约有900 000人发生VTE,基于发病率的医疗费用估计为每年70亿至100亿美元。3 HA-VTE是伤残调整生命年的第二大原因,在成人和儿科患者中造成显著的发病率和死亡率。4 约三分之一的人在VTE后出现长期并发症(即血栓后综合征)。减少HA-VTE是一项重大的预防挑战。
尽管已发表众多HA-VTE预后模型,但没有任何单一模型优于其他模型,且HA-VTE对各群体的影响不均衡,这意味着如果模型未在负责任的、算法警戒系统的背景下部署,可能会恶化医疗质量。5 将可扩展的人工智能(AI)整合到有效的临床决策支持(CDS)中以预防HA-VTE,可能有效降低HA-VTE发生率,同时有助于实现AI在高价值临床实践中的潜力。最近,范德堡大学医学中心(VUMC)的临床医生和生物统计学家团队开发并验证了一种名为“使用AI的静脉血栓栓塞症(VTE-AI)”的住院患者实时HA-VTE预后模型。6 该模型包括病史变量、生命体征和实验室测量值;可随着临床情况演变而更新;并表现出优异的预测性能(C统计量,0.891;95% CI,0.882-0.900;整合校准指数,0.001),且在年龄、性别、种族和民族以及入院类型方面无性能差异。6 VTE-AI模型正在接受本地反复验证,为本随机临床试验(RCT)做准备。7
城乡差距长期以来导致发病率和死亡率方面的医疗保健差异。8 这些差异可能并非源于农村性本身,而是源于“社会经济劣势、民族、服务可及性较差、个人风险水平较高以及更危险的环境、职业和交通条件的影响”。9(p56) 如果不密切关注两种部署环境的差异,人工智能的实施可能也不例外。在城乡环境中同时对成人和儿科患者进行多种AI实施研究,可能为AI驱动的CDS带来前所未有的洞见。
本研究的目标是评估AI驱动的CDS在范德堡健康系统中降低HA-VTE发生率的有效性,包括以下站点:位于田纳西州城市纳什维尔的范德堡成人医院(VUH),以及位于田纳西州农村地区的范德堡区域健康系统,包括范德堡塔拉霍马哈顿医院(VTHH)、范德堡贝德福德县医院(VBCH)和范德堡威尔逊县医院(VWCH)。本试验旨在严格研究一种基于AI的新方法,用于估计HA-VTE风险和指导预防。我们假设该方法将为在多样化站点和人群中务实使用新型AI驱动的CDS预防HA-VTE提供强有力的证据。
方法
本文依据《标准方案项目:干预性试验推荐报告指南(SPIRIT)》编制。10 该试验经VUMC机构审查委员会批准,鉴于在4家医院对每位住院患者逐一获取知情同意不可行,且知情同意可能在决定是否开具VTE预防措施的决策过程中引入偏倚,故豁免知情同意。数据将不予去标识化处理,该试验被视为最小风险,因为VTE预防仍属标准诊疗,且本试验所触发的助推仅针对可能处于高风险、经主要收治团队判断无禁忌证且尚未开具VTE预防医嘱的患者。鉴于风险最小且依赖于促发标准诊疗性预防措施,本随机对照试验未设立数据安全监查委员会。试验方案见补充材料1。
研究设计
VTE-AI试验是一项平行组、单盲、实用性随机对照试验,计划于2025年10月1日至2027年9月30日在VUH、VTHH、VBCH和VWCH的所有住院病区开展。研究医院将招募患者12个月。标准诊疗包括建议预防性方案的医嘱套餐,或记录暂时性或永久性预防例外或禁忌证。我们将评估VTE-AI驱动的临床决策支持(CDS)相对于标准深静脉血栓形成和VTE预防工作流程在降低城乡不同维度医院获得性VTE(HA-VTE)发病率方面的有效性。我们将开展一项VTE-AI驱动CDS的实用性随机对照试验,将半数符合条件的就诊随机分配至CDS,半数分配至标准诊疗。
人群
本研究将在VUMC开展,该机构位于美国中南部,是一所学术医学中心。在VUMC内部,试验将在VUH(纳什维尔主要的城市成人医院)以及范德堡区域卫生系统(田纳西州中部的一组区域医院)开展。所有年龄18岁及以上、因住院诊疗收入VUH、VTHH、VBCH或VWCH的成人患者均有资格接受VTE-AI计算及后续随机分组。
干预
我们将实施一个经过验证的风险评分VTE-AI,6该评分无需临床医生手动输入即可计算,用于提示临床决策支持(CDS)建议重新考虑对以下患者的静脉血栓栓塞症(VTE)预防:(1)未开具活性预防医嘱且(2)无药物预防禁忌证的患者。VTE-AI是一个医院获得性静脉血栓栓塞症(HA-VTE)的预后模型,基于2018年至2020年VUMC的132 330例成人患者就诊数据开发。6该模型使用了从初始82个候选危险因素中筛选出的25个因素,包括人口学和临床特征、诊断操作、生命体征和实验室检测指标(如全血细胞计数、生化组合检查)。所有危险因素均为常规采集数据,可实时用于预后计算,例如中心静脉导管置入、心律失常病史、近期体重下降、入院来源和C反应蛋白。该模型是一个使用逻辑回归的统计风险模型,即上述变量被用于数学方程中,以估计该个体未来发生HA-VTE的概率。作为VTE-AI模型在电子健康记录(EHR)中的初步实施,我们选择了一种CDS提示,该提示将从入院医嘱开具后的次日起、并在住院就诊期间的每一天触发,除非已开具预防医嘱或已记录禁忌证。
电子健康记录提示
CDS干预将使用自动化的VTE-AI风险评分,以OurPractice Advisory(OPA)的形式在EHR中添加提示,针对满足以下条件的就诊:(1)VTE-AI风险高于阈值(估计风险>3.6%),(2)不存在活性的深静脉血栓药物预防医嘱,且(3)在当前上述入院医嘱套餐中未记录禁忌证。图1中的示意图展示了实施逻辑。
EHR提示的设计采用了实施科学和以人为中心设计的最佳实践,包括迭代设计、启发式评估和预mortem规划会议,以预见并防止因设计问题导致的错误。在EHR中打开医嘱界面时,OPA将从住院第2天起在住院就诊期间每天触发。CDS OPA(图2)将提示考虑药物预防(VTE预防面板)以及采取替代行动的机会,包括不同意该警示、录入临时或永久禁忌证,或表明患者已在接受可接受的预防。VTE预防面板和永久禁忌证面板均已在VUH的医疗单元中部署。
禁忌证和被视为可接受预防的药物均列于补充材料2的电子附录中。举例而言,禁忌证可能是永久性的(如肝素诱导的血小板减少症病史、出血性疾病)或暂时性的(如计划手术、血小板计数<50/µL)。CDS将通过OPA中的任何操作或推荐/替代操作而终止,但“忽略”和“临时禁忌证”操作除外(图2)。
结局
主要研究结局是住院期间发生的医院获得性静脉血栓栓塞症(HA-VTE)。次要结局是出血事件以及30天非计划再入院和住院时长等过程指标。
随机化与分配
入院时VTE-AI评分高于或等于3.6%风险阈值(最佳F1分数阈值)的患者将以1:1随机分配至干预组或对照组。F1分数是评估模型在给定阈值下性能的常用指标,在此仍然适用,因为HA-VTE是罕见事件,因此精确度(也称为阳性预测值)至关重要。F1分数计算为阳性预测值和灵敏度的调和平均数(在信息检索术语中分别为精确率和召回率)。随机化将使用结合患者病历号和入院日期的哈希值进行,以确保试验臂分配可重现,并且在每次就诊从入院到出院期间不会改变。
隐藏与盲法
由于随机对照试验(RCT)中使用了提示(nudges),对于做出预防决策的临床医生而言,无法隐藏干预分配。患者将对干预状态设盲,除非开具医嘱的临床医生与其分享决策依据。
安全性终点
预防的主要安全性关注点仍然是出血事件,这些将作为次要试验结局进行监测。出血事件将在住院后使用一份已发表且被证明具有敏感性的列表进行识别。11 干预组或对照组中每次住院若出现任一所述出血相关诊断代码,随后将由电子健康记录(EHR)团队按照Joos等11的建议进行人工审查,他们建议仅在进行EHR确认性审查时使用国际疾病统计分类第十版代码来识别出血并发症。
统计分析
我们假设临床决策支持(CDS)将在以下患者中将HA-VTE发生率降低一半:(1)被VTE-AI认为高风险且(2)无药物预防证据的患者,从基线4.3%发生率(12 946次事件中的562次)降至2.2%发生率,这将需要2236次就诊。样本量计算表明,每组至少需要1118次患者就诊,以便进行双侧二项比例检验,在5%的I类错误概率下达到80%把握度。使用2023年至2024年的历史数据,我们观察到每月符合这些标准的就诊计数为150至230次。因此,我们将进行为期1年的RCT以满足所需样本量。
主要和次要结局将按入院例数和百分比进行分析。组间比较将使用泊松回归进行调整混杂因素并评估发病率差异。例如,出血事件(次要结局)可能既受干预本身影响,也受协变量影响,包括预防措施的暴露时间、年龄、临床合并症等。算法警戒将通过评估模型在对照组中预测医院获得性静脉血栓栓塞症(HA-VTE)的效度来评估,按易受潜在不公平影响的关键亚组进行,包括年龄、种族和民族以及保险状况。12 效度将通过各亚组的校准度和模型区分性能来衡量。
数据管理
数据将从电子健康记录(EHR)中收集,并安全存储在研究团队拥有的VUMC数据中心服务器上以供后续分析。这些系统旨在安全存储受保护健康信息,包括加密存储、多因素认证以及物理(锁门、安全设施)和技术(活动目录用户认证)控制措施。受保护健康信息虽然是开展研究分析所必需的,但绝不会从这些服务器导出或共享。用于计算VTE-AI的收集数据包括入院类型;心率;诊断代码(用于临床合并症);中心静脉置管数据;以及实验室数据,包括基础代谢Panel和C反应蛋白。
试验结果的传播
试验完成和数据分析后,我们将通过同行评审发表和ClinicalTrials.gov分享研究结果。我们将向公众提供方案和统计代码。作者资格将遵循国际医学期刊编辑委员会制定的标准。
数据共享计划
由于开展本试验所需的受保护健康信息具有敏感性,将无法公开获取参与者级别的数据。统计代码和研究的完整方案将酌情随同行评审发表一同传播。
讨论
VTE-AI随机对照试验(RCT)旨在为住院医疗保健中的多个关键问题提供信息;患者安全事件的预防;以及可扩展的、人工智能驱动的信息学工具来指导照护。在警报疲劳和医疗保健人工智能日益要求临床医生注意力的时代,EHR助推的有效性仍然是一个热点问题。鉴于VTE预防是标准诊疗,仅对可能处于最高风险且无记录禁忌证的入院患者团队进行助推,可能减少助推负担,同时如本文所预期的那样改善预防质量。据我们所知,行为助推已在心脏病学和肿瘤学背景下进行研究,但尚未在血液学或如此规模的日常预防决策中进行研究。13,14
本RCT所针对的卫生系统规模还可能为城乡执业环境中风险富集和照护提供方面的差异提供信息。这些差异可能为与入院医师共同设计的干预措施如何在入院工作流程和入院团队可能各异的一系列环境中实现有效的临床决策支持(CDS)提供信息。这些发现的普适性可能通过其在内科、外科和重症监护环境中的应用,以及其在城市学术医院和隶属于卫生系统的农村社区医院中的应用而得到增强。
局限性
试验结果的有效性和普适性存在若干潜在局限,包括仅聚焦于单一州内1个区域的临床中心。入院流程的多样性可能导致人工智能驱动的提醒在不同环境中的采纳程度存在差异。为在一定程度上减轻这一影响,提醒将在住院后续日期的、无竞争性流程可能向临床医生提供冲突指导的空隙时段发出。另一个潜在局限与污染有关。接触过临床决策支持(CDS)提醒的接诊医生可能将其行为推广至未接受提醒的相似患者,从而可能稀释干预效果。我们预计这一效应将因CDS与现有工作流程的聚焦整合以及对照组缺乏关于患者资格的明确信息而受到限制。最后,风险模型会因各种原因随时间漂移,从结局漂移到特征漂移不等。这一众所周知的现象可能影响模型性能,但在随机对照试验(RCT)范围内不会对其进行诊断或校正。
结论
VTE-AI试验是首批旨在降低医院获得性静脉血栓栓塞症(HA-VTE)发生率的人工智能驱动决策支持试验之一,HA-VTE是一种可能致命的患者安全事件,该试验在多种临床及城乡环境中开展。该试验具有潜在的临床意义,可提供可扩展的方法以促进循证实践,同时通过在大型异质性临床系统中进行靶向提醒来减少警报疲劳。它还可能为政策制定提供参考,激励在此类人工智能驱动的、以质量改进为导向的系统广泛采用之前进行跨中心验证。
参考来源
- Walsh CG, Long Y, Novak LL, et al. AI-Driven Clinical Decision Support to Reduce Hospital-Acquired Venous Thromboembolism: A Trial Protocol. JAMA Netw Open. 2025. PMID: 41042513. doi:10.1001/jamanetworkopen.2025.35137
- 全文:PMC12495493(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12495493/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。