skunkworks long stayer risk stratification
1.0.0
Long Stayer Risk Stratification, un proyecto piloto para el equipo Skunkworks del NHS AI (Artificial Intelligence) Lab, utiliza datos históricos de Gloucestershire Hospitals NHS Foundation Trust para predecir cuánto tiempo permanecerá un paciente en el hospital al momento de su admisión.
Como candidato seleccionado del programa de resolución de problemas de AI Skunkworks, Long Stayer Risk Stratification fue elegido por primera vez como proyecto piloto para el equipo de AI Skunkworks en abril de 2021.
Esta prueba de concepto (TRL 4) tiene como objetivo demostrar la validez técnica de aplicar una red neuronal convolucional a los registros de pacientes para predecir la duración de la estadía. No está diseñado para su implementación en un entorno clínico o no clínico sin un mayor desarrollo y cumplimiento de las Regulaciones de Dispositivos Médicos del Reino Unido de 2002, donde el producto califica como un dispositivo médico.
Este proyecto estuvo sujeto a una Evaluación de Impacto de la Protección de Datos (DPIA), garantizando la protección de los datos utilizados de acuerdo con la Ley de Protección de Datos del Reino Unido de 2018 y el RGPD del Reino Unido. En este repositorio no se comparten datos ni modelos entrenados.
Las personas que permanecen mucho tiempo en el hospital, aquellas con una estancia hospitalaria (LoS) de 21 días o más, tienen resultados médicos y sociales significativamente peores que otros pacientes. Las personas que permanecen mucho tiempo a menudo son médicamente optimizadas (aptas para el alta) muchos días antes de su alta real. Además, existe una mezcla compleja de factores médicos, culturales y socioeconómicos que contribuyen a las causas de estancias prolongadas innecesarias.
Este repositorio contiene un demostrador de prueba de concepto, desarrollado como parte de un proyecto de investigación: una colaboración entre Polygeist, Gloucestershire Hospitals NHS Foundation Trust, NHSX y Accelerated Capability Environment (ACE) del Ministerio del Interior. El proyecto pretendía alcanzar dos objetivos principales:
en primer lugar, determinar si era posible un enfoque experimental de inteligencia artificial (IA) para predecir las estancias hospitalarias prolongadas; en segundo lugar, de ser así, producir una herramienta de estratificación de riesgos de prueba de concepto (PoC).
La herramienta muestra el LTSS de un registro de paciente, entre el nivel 1 y 5; siendo 5 el riesgo más grave de que el paciente se quede por mucho tiempo. La herramienta permite la exploración de varios factores y permite al usuario editar esas entradas para producir estimaciones refinadas o hipotéticas del riesgo del paciente.
La herramienta ha mostrado una buena estratificación del riesgo para datos reales, con el Nivel 1 compuesto por un 99% de personas con estadías cortas y casos menores, con menos del 1% de las personas con estadías prolongadas clasificadas como de muy bajo riesgo. Además, el 66% de todos los residentes de larga duración se clasificaron en las categorías de riesgo 4 y 5, y las proporciones aumentaron constantemente a lo largo de las categorías. La categoría de riesgo 5 también estratificó a aquellos pacientes con estancias hospitalarias largas y graves por debajo del umbral de estancia larga (estancias graves y prolongadas).
El informe técnico completo (PDF) está disponible para los miembros del NHS. Envíe su solicitud por correo electrónico a [email protected]
| Documentos | Descripción |
|---|---|
| API DESCANSO | Descripciones de API Endpoint y ejemplos de uso |
| API de la aplicación LTSS Flask | Documentación del paquete ltss Python y submódulos incorporados |
| Instrucciones de implementación | Crear y ejecutar instrucciones para implementaciones de desarrollo o producción. |
| Descripción general de la interfaz de usuario web | Descripción de los componentes de la interfaz de usuario y la estructura de la aplicación. |
| Archivos de configuración | Descripción general de los archivos de configuración proporcionados |
| Archivos de configuración de compilación de producción | Descripción general de los archivos de configuración proporcionados para los contenedores Docker de compilación de producción |
| Generando datos falsos | Descripción de cómo generar datos falsos para probar la configuración y ejecución del repositorio |
| Capacitación | Descripción del proceso de formación de los modelos utilizados en la API LTSS |
El proyecto cuenta con el apoyo del NHS AI Lab Skunkworks, que existe dentro del NHS AI Lab para ayudar a la comunidad de salud y atención a hacer avanzar rápidamente las ideas desde la etapa conceptual hasta una prueba de concepto.
Obtenga más información sobre NHS AI Lab Skunkworks. Únase a nuestro Centro virtual para conocer más sobre futuras oportunidades de eventos de búsqueda de problemas. Póngase en contacto con el equipo de Skunkworks en [email protected].
