为医院获得的压力损伤开发一个预测模型
Sophie Pouzols1, Jérémie Despraz, Cédric Mabire
1Author Affiliations: Healthcare Direction (CHUV) (Ms Pouzols and Pr Mabire); Biomedical Data Science Center (Mr Despraz and Dr Raisaro), and Institute of Higher Education and Research in Healthcare (Pr Mabire), Lausanne University Hospital; and University of Lausanne (Pr Mabire), Lausanne, Switzerland.
Computers, informatics, nursing : CIN
|June 6, 2023
概括
先进的机器学习模型可以改善医院获得的压力损伤风险评估. 一个长期短期记忆神经网络模型显示了提高护士决策和患者护理的潜力.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 护理研究 护理研究
背景情况:
- 在医院获得的压力损伤 (HAPI) 在医疗保健环境中构成了重大挑战.
- 护士进行有效的风险评估对于预防HAPI至关重要.
- 目前的风险评估工具可能在准确性和效率方面存在局限性.
研究的目的:
- 开发和评估HAPI风险评估的先进数据驱动预测模型,使用例行收集的电子健康记录数据.
- 将机器学习模型的性能与已建立的布拉登分数进行比较.
- 探索人工智能的潜力,以支持HAPI预防的临床决策.
主要方法:
- 一项回顾性研究分析了来自医疗和外科病房的24,227名患者记录.
- 开发了两个预测模型:随机森林和长期短期记忆 (LSTM) 神经网络.
- 评估模型性能使用诸如AUC (接收器运行特征曲线下的面积),特异性,准确性和灵敏性等指标,与布拉登分数相比.
主要成果:
- 与随机森林模型和布拉登分数相比,LSTM神经网络模型表现出更高的AUC (0.87),特异性 (0.82) 和精度 (0.82) 的优异性能.
- 布拉登得分比这两种机器学习模型都显示出更高的灵敏度 (0.88).
- 随机森林模型表现中等,在AUC,特异性和准确性方面表现优于布拉登得分,但没有敏感性.
结论:
- 长期短期记忆神经网络模型显示,与传统方法相比,HAPI风险评估的准确性有很大的潜力.
- 将这些先进模型集成到电子健康记录中,可以为护士提供更好的临床决策支持.
- 进一步实施可以优化护理工作流程,允许对高风险患者进行更专注的干预,并可能减少HAPI发生率.
