对非结构化临床评估的自动化分析改善了急诊室的分拣性能:一个追溯的深度学习分析
Dana R Sax1, E Margaret Warton2, Oleg Sofrygin3
1Department of Emergency Medicine Kaiser East Bay and Kaiser Permanente Northern California Division of Research Oakland California USA.
概括
预测分析可以提高急诊室 (ED) 选准确度. 将临床评估与电子健康记录数据相结合,显著提高了住院和快速获得资格的预测.
科学领域:
- 紧急医疗 紧急医疗
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 有效的急诊部 (ED) 预选对患者优先级和运营流程至关重要.
- 目前的分拣方法依赖于可变的准确性来预测患者的情绪和资源需求.
- 电子健康记录 (EHR) 数据为开发先进的预测模型提供了丰富的来源.
研究的目的:
- 探索EHR数据和预测分析的实用性,以提高ED分辨率.
- 开发和评估深度学习模型,用于预测住院和快速资格.
- 为了比较使用不同数据输入的模型的预测性能.
主要方法:
- 利用了来自21个ED (2016-2020年) 的500多万个ED遭遇的大数据集.
- 开发了深度学习模型来预测住院和快速获得资格.
- 使用接收器运行特征曲线 (AUC) 下的面积来评估模型性能,仅用于分拣变量,仅用于临床评估和组合输入.
主要成果:
- 住院率为12.7%;37.0%的患者有资格获得快速出院.
- 仅使用分组变量的模型显示预测准确性较低 (住院治疗的AUC为0.77,快速治疗的AUC为0.70).
- 结合临床评估与选变量的模型实现了最高的准确性 (AUC为0.87两个结果).
结论:
- 先进的预测分析具有显著的潜力,可以提高ED分辨率的准确性.
- 将临床护士评估与结构化EHR数据相结合,优化了预测模型的性能.
- 这些发现支持实施数据驱动工具,以加强ED患者管理.
