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 ↗

TREWS

Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 6.877 Patienten mit Sepsis, vor Antibiotikabeginn erkannt, senkte die Bestätigung des Machine-Learning-Sepsis-Alarms innerhalb von 3 h die Krankenhausmortalität verglichen mit Alarmen, die nicht innerhalb von 3 h von einem Behandler bestätigt wurden.

N
6.877Patienten
Design
Prospektive multizentrische Kohortenstudie, nicht randomisiert (5 Krankenhäuser)
Endpunkt
Krankenhausmortalität
Relevanz
3Ergänzend — Kontext, kein Muss-Wissen.
ErgebnisKrankenhausmortalität adjustierte absolute Reduktion 3,3 % (KI 1,7–5,1 %), adjustierte relative Reduktion 18,7 % (KI 9,4–27,0 %), mit weniger Organversagen und kürzerem Aufenthalt; bei zusätzlich als Hochrisiko markierten Patienten absolute Mortalitätsreduktion 4,5 % (KI 0,8–8,3 %). 590.736 überwachte Patienten.
Adams R, et al. Nat Med. 2022;28(7):1455-1460. 10.1038/s41591-022-01894-0
Diskussion & Kritik

Eines der ersten Machine-Learning-Sepsis-Systeme, das im großen Maßstab im klinischen Echtbetrieb evaluiert wurde; zeigt, dass Sepsis vor der Antibiotikagabe markiert werden kann und dass das Handeln auf den Alarm mit besseren Outcomes einhergeht. Der Vergleich ist nicht randomisiert: Er stellt Patienten, deren Alarm ein Kliniker innerhalb von 3 h bestätigte, jenen gegenüber, deren Alarm nicht bestätigt wurde, sodass Confounding durch ärztliche Aufmerksamkeit und Patientenpräsentation — durch Adjustierung nur teilweise beseitigt — einen Teil des Effekts erklären kann.