相关实验视频
Updated: Jul 20, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
基于急诊室的机器学习临床决策支持工具的有效性,以防止老年患者的门诊病例:准实验研究的协议
Daniel J Hekman1, Amy L Cochran2, Apoorva P Maru1
1BerbeeWalsh Department of Emergency Medicine, University of Wisconsin-Madison, Madison, WI, United States.
JMIR research protocols
|August 3, 2023
概括
在急诊室使用机器学习临床决策支持 (ML-CDS) 的自动查和转诊可以帮助预防老年人未来的跌倒. 本研究方案评估了这种自动干预措施的有效性,以减少跌倒风险并改善患者的治疗结果.
科学领域:
- 老年学是一门学科.
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 紧急服务部门 (ED) 提供者对于预防老年人跌倒至关重要,因为他们经常在跌倒后治疗患者,并且ED访问可以在跌倒之前进行.
- 之前的研究表明,ED转介到跌倒干预措施可以将在家中的跌倒风险降低38%.
- 在ED中查跌倒风险具有挑战性;机器学习 (ML) 和临床决策支持 (CDS) 提供自动化解决方案,但它们在减少未来跌倒的有效性尚未证明.
研究的目的:
- 描述一项研究方案,用于评估自动查和转诊干预措施,以预防老年人跌倒.
- 评估ML-CDS在减少老年患者未来跌倒方面的有效性.
- 为在医疗决策中使用ML和人工智能的讨论提供信息.
主要方法:
- 将使用一个准实验性的,尖的回归不连续性设计来评估干预的有效性.
- 主要分析的重点是三个ED的转诊完成率.
- 一个有条件的物流回归模型将根据干预状态,人口统计和风险得分来评估6个月的跌倒风险,将ML-CDS识别的高风险患者与风险类似的对照进行比较.
主要成果:
- ML-CDS工具在3个研究ED中的2个中实施,标记了1326个患者遭遇,并于2023年4月推了339个独特的患者.
- 15% (45/339) 的转诊患者已经与移动性和病诊所安排了预约.
- 该研究已在临床试验.gov (NCT05810064) 上注册.
结论:
- 本研究旨在量化ML-CDS干预对患者行为和结果的影响,提供比专注于临时结果的研究更全面的分析.
- 多站点实施计划证明了干预措施的广泛适用性和适应性.
- 回归不连续性设计允许从观测数据中推断因果关系,分阶段实施有助于识别和缓解长期趋势.
