skunkworks long stayer risk stratification
1.0.0
Als Pilotprojekt für das NHS AI (Artificial Intelligence) Lab Skunkworks-Team nutzt Long Stayer Risk Stratification historische Daten des Gloucestershire Hospitals NHS Foundation Trust, um vorherzusagen, wie lange ein Patient nach seiner Aufnahme im Krankenhaus bleiben wird.
Als erfolgreicher Kandidat aus dem Problem-Sourcing-Programm von AI Skunkworks wurde Long Stayer Risk Stratification im April 2021 erstmals als Pilotprojekt für das AI Skunkworks-Team ausgewählt.
Dieser Proof of Concept (TRL 4) soll die technische Gültigkeit der Anwendung eines Faltungs-Neuronalen Netzwerks auf Patientenakten zur Vorhersage der Aufenthaltsdauer demonstrieren. Es ist nicht für den Einsatz in einer klinischen oder nichtklinischen Umgebung ohne Weiterentwicklung und Einhaltung der britischen Medizinprodukteverordnung von 2002 vorgesehen, sofern das Produkt als Medizinprodukt gilt.
Dieses Projekt wurde einer Datenschutz-Folgenabschätzung (DPIA) unterzogen, um den Schutz der verwendeten Daten im Einklang mit dem britischen Datenschutzgesetz 2018 und der britischen DSGVO sicherzustellen. In diesem Repository werden keine Daten oder trainierten Modelle geteilt.
Langzeitaufenthalte im Krankenhaus, d. h. solche mit einer Verweildauer (LoS) von 21 Tagen oder länger, haben deutlich schlechtere medizinische und soziale Ergebnisse als andere Patienten. Langzeitaufenthalter werden oft schon viele Tage vor ihrer eigentlichen Entlassung medizinisch optimiert (entlassungsfähig). Darüber hinaus gibt es eine komplexe Mischung aus medizinischen, kulturellen und sozioökonomischen Faktoren, die zu den Ursachen unnötig langer Aufenthalte beitragen.
Dieses Repository enthält einen Proof-of-Concept-Demonstrator, der im Rahmen eines Forschungsprojekts entwickelt wurde – einer Zusammenarbeit zwischen Polygeist, Gloucestershire Hospitals NHS Foundation Trust, NHSX und dem Accelerated Capability Environment (ACE) des Innenministeriums. Das Projekt zielte darauf ab, zwei Kernziele zu erreichen:
Erstens, um festzustellen, ob ein experimenteller Ansatz mit künstlicher Intelligenz (KI) zur Vorhersage von Langzeitaufenthalten im Krankenhaus möglich ist; Zweitens, wenn ja, ein Proof-of-Concept (PoC)-Risikostratifizierungstool zu erstellen.
Das Tool zeigt den LTSS für eine Patientenakte zwischen Level 1 und 5 an; wobei 5 das größte Risiko darstellt, dass der Patient zu einem Langzeitpatienten wird. Das Tool ermöglicht die Untersuchung verschiedener Faktoren und ermöglicht es dem Benutzer, diese Einträge zu bearbeiten, um verfeinerte oder hypothetische Schätzungen des Patientenrisikos zu erstellen.
Das Tool hat eine gute Risikostratifizierung für reale Daten gezeigt, wobei Stufe 1 zu 99 % aus Kurzaufenthaltern bestand und kleinere Fälle, wobei weniger als 1 % der Langzeitaufenthalter als sehr risikoarm eingestuft wurden. Darüber hinaus wurden 66 % aller Langzeitaufenthalter in die Risikokategorien 4 und 5 eingestuft, wobei der Anteil in den einzelnen Kategorien stetig zunahm. In der Risikokategorie 5 wurden auch Patienten mit langen und schwerwiegenden Krankenhausaufenthalten unterhalb der Langzeitaufenthaltsschwelle (schwerwiegende und längere Aufenthalte) stratifiziert.
Der vollständige technische Bericht (PDF) steht Mitgliedern des NHS zur Verfügung. Senden Sie Ihre Anfrage per E-Mail an [email protected]
| Dokumente | Beschreibung |
|---|---|
| REST-API | API-Endpunktbeschreibungen und Anwendungsbeispiele |
| LTSS Flask App-API | Paketdokumentation für das ltss Python-Paket und die integrierten Submodule |
| Bereitstellungsanweisungen | Anweisungen zum Erstellen und Ausführen für Entwicklungs- oder Produktionsbereitstellungen |
| WebUI-Übersicht | Beschreibung der UI-Komponenten und der Anwendungsstruktur |
| Konfigurationsdateien | Übersicht der bereitgestellten Konfigurationsdateien |
| Produktions-Build-Konfigurationsdateien | Übersicht über die Konfigurationsdateien, die für Docker-Container zur Produktionserstellung bereitgestellt werden |
| Generierung gefälschter Daten | Beschreibung, wie gefälschte Daten generiert werden, um die Einrichtung und Ausführung des Repos zu testen |
| Ausbildung | Beschreibung des Trainingsprozesses für die in der LTSS-API verwendeten Modelle |
Das Projekt wird vom NHS AI Lab Skunkworks unterstützt, das innerhalb des NHS AI Lab besteht, um die Gesundheits- und Pflegegemeinschaft dabei zu unterstützen, Ideen schnell von der Konzeptphase bis zum Proof of Concept weiterzuentwickeln.
Erfahren Sie mehr über das NHS AI Lab Skunkworks. Treten Sie unserem virtuellen Hub bei, um mehr über zukünftige Möglichkeiten für Problem-Sourcing-Veranstaltungen zu erfahren. Kontaktieren Sie das Skunkworks-Team unter [email protected].
