Effect of Patient-related Variables on the Alarm Rate of Intensive Care Units’ Monitoring Devices and Prediction of the Alarm Rate Using Machine Learning Models

Abstract

Intensive care units (ICUs) have been overflowed with alarms from monitoring devices for decades. Most of these alarms are either false-positive or require no clinical intervention. This can lead to alarm fatigue, which is a desensitization towards monitoring alarms. Alarm fatigue can cause burnout of caregivers, prolonged length of stay or in severe cases even death of patients. Although many solutions to this problem have been explored, none of them has been implemented in clinical routine to date. The aim of this study was to identify patient characteristics that influence the alarm rate in the ICU, especially characteristics related to high alarm rates, and to predict the alarm rate of patients. Alarm logs from monitoring devices in eight ICUs were extracted between September 2019 and March 2021 and linked with extracted patient characteristics from electronic health records (i.e., patient demographics, stay characteristics, clinical scores and diagnoses). Technical alarms, patients that were either less than 18 years of age or had less than 24 hours of alarm data, were excluded. The alarm rate per patient per day was calculated and categorized in a high and low alarm rate compared to the median. Then a logistic regression as well as a random forest model and logistic regression model were performed. The logistic regression showed that invasive blood pressure monitoring (OR 4.68, 95%CI 4.15-5.29, p<0.001), invasive mechanical ventilation (OR 1.24, 95%CI 1.16-1.32, p<0.001), heart failure (OR 1.26, 95%CI 1.19-1.35, p<0.001), chronic renal failure (OR 1.18, 95%CI 1.10-1.27, p<0.001), hypertension (OR 1.19, 95%CI 1.13-1.26, p<0.001), a high Richmond Agitation Sedation Scale (OR 1.22, 95%CI 1.18-1.25, p<0.001) and scheduled surgical admissions (OR 1.22, 95%CI 1.13-1.32, p<0.001) were significantly associated with a high alarm rate. The random forest model performed slightly better with an area under the receiver operating characteristic (AUROC) curve of 0.67 in comparison to 0.65 for the logistic regression model in predicting the alarm rate of patients. Based on the results of this study, alarm management should be intensified for patients with the above-mentioned characteristics, since they are more likely to have higher alarm rates. This could be a step towards delivering better care and achieving better conditions for both patients and staff in the ICU.

Die Alarme von Patientenmonitoringgeräten stellen seit mehreren Jahren eine Herausforderung auf den Intensivstationen (ITS) dar. Da die meisten Alarme entweder falsch-positiv sind oder zu keiner klinischen Intervention führen, können Desensibilisierungen oder eine Alarmmüdigkeit beim ITS-Personal die Folge sein. Solch eine Alarmmüdigkeit birgt die Gefahr, die Arbeitszufriedenheit des ITS-Personals zu reduzieren sowie zu längeren Aufenthalten auf der ITS und im schlimmsten Fall zum Tod von Patient:innen zu führen. Das Ziel dieser Arbeit ist, Patientenmerkmale zu identifizieren, die einen Einfluss auf die Alarmrate auf der ITS haben. Besondere Relevanz wird hierbei auf die Identifikation der Merkmale gelegt, die mit einer höheren Alarmrate assoziiert sind. Gleichermaßen gilt es die Alarmrate von Patient:innen anhand der ermittelten Patientenmerkmale und maschinellen Lernverfahren vorherzusagen. Zu diesem Zweck wurden Alarmlogeinträge von acht Intensivstationen im Zeitraum von September 2019 bis März 2021 sowie Patientenmerkmale, wie z.B. demographische Daten, klinische Scores, Vorerkrankungen und Merkmale zum ITS-Aufenthalt, aus dem Patientendatenmanagement- und Krankenhausinformationssystem extrahiert und verarbeitet. Die Datenerhebung fand unter der Exklusion von technischen Alarmen, Patient:innen unter 18 Jahren sowie Patient:innen, die weniger als 24 Stunden auf der ITS waren, statt. Es wurde die Summe aus den Alarmen pro Patient:in und Tag berechnet und einer von zwei Kategorien, hohe oder niedrige Alarmrate, zugeteilt. Eine logistische Regression wurde danach durchgeführt. Zur Vorhersage der Alarmrate wurde sowohl ein logistisches Regressionsmodell als auch ein Random Forest Modell entwickelt. Die logistische Regression zeigte, dass eine invasive Blutdruckmessung (OR 4.68, 95%CI 4.15-5.29, p<0.001), eine invasive mechanische Beatmung (OR 1.24, 95%CI 1.16-1.32, p<0.001), das Vorliegen einer Herzinsuffizienz (OR 1.26, 95%CI 1.19-1.35, p<0.001), einer chronischen Niereninsuffizienz (OR 1.18, 95%CI 1.10-1.27, p<0.001), einer arteriellen Hypertonie (OR 1.19, 95%CI 1.13-1.26, p<0.001), ein hoher Richmond Agitation Sedation Scale (RASS) (OR 1.22, 95%CI 1.18-1.25, p<0.001) und eine elektive chirurgische Aufnahme (OR 1.22, 95%CI 1.13-1.32, p<0.001) mit einer höheren Alarmrate assoziiert sind. In der Vorhersage der Alarmrate zeigte das Random Forest Modell eine bessere Leistung als die logistische Regression (AUROC 0.67 vs 0.65). Es erfordert jedoch weitere Forschung, um die Prädiktion der Alarmrate zu verbessern. Basierend auf den Ergebnissen dieser Studie kann empfohlen werden, dass das Alarmmanagement (z.B. durch Alarmgrenzenanpassung oder Sensorplatzierung) insbesondere bei Patient:innen mit den oben genannten Merkmalen intensiviert werden sollte. Auf diese Weise könnte die Alarmrate auf der ITS reduziert und dadurch bedingt ebenfalls die Alarmsituation für Patient:innen sowie Mitarbeitende verbessert werden.