TrialsgramBetaRCTs are beautiful
Ungeprüfte ÜbersetzungDie Deutsche Übersetzung dieses Eintrags wurde nicht fachlich geprüft und kann vom Original abweichen. Akronym, vollständiger Titel und Zitat bleiben stets in der Originalsprache.Originalpublikation öffnen ↗

CONCERN

COmmunicating Narrative Concerns Entered by RNs (CONCERN) early warning system: a pragmatic cluster-randomized controlled trial

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 60.893 Krankenhausaufenthalten auf 74 klinischen Stationen senkte ein Machine-Learning-Frühwarnsystem auf Basis der Pflegedokumentation die Krankenhausmortalität und Verweildauer verglichen mit der üblichen Versorgung.

N
60.893Patienten
Design
Pragmatische Cluster-RCT (74 Stationen, zwei Gesundheitssysteme)
Endpunkt
Krankenhausmortalität (instantanes Risiko) und Verweildauer (koprimär)
Relevanz
1Praxisdefinierend — die Studie, auf der die Leitlinie ruht.
ErgebnisKrankenhausmortalität aHR 0,64 (95 %-KI 0,53–0,78; p<0,0001), ein um 35,6 % niedrigeres instantanes Sterberisiko; Verweildauer aIRR 0,91 (95 %-KI 0,90–0,93). Sepsis aHR 0,93 (95 %-KI 0,86–0,99); ungeplante Verlegung auf die Intensivstation aHR 1,25 (95 %-KI 1,09–1,43).
Rossetti SC, et al. Nat Med. 2025;31(6):1895-1902. 10.1038/s41591-025-03609-7
Diskussion & Kritik

Die erste Cluster-randomisierte Studie, die zeigt, dass ein Machine-Learning-Frühwarnsystem die Krankenhausmortalität senkt, und bemerkenswert wegen ihres Signals: Muster darin, wie Pflegende dokumentieren, statt allein Vitalparameter oder Laborwerte. Der Anstieg ungeplanter Intensivverlegungen passt zu einer früheren Eskalation, ist aber auch ein Preis. Unverblindet, pragmatisch und auf zwei Gesundheitssysteme über ein Jahr beschränkt; die Mortalität wurde als instantanes Risiko analysiert, und die Generalisierbarkeit auf Settings mit anderer Pflegedokumentationskultur ist ungeprüft.