医疗急诊部分类数据处理使用机器学习解决方案.
Andreea Vântu1, Anca Vasilescu2, Alexandra Băicoianu2
1Faculty of Mathematics and Computer Science, Transilvania University of Braşov, Romania.
Heliyon
|August 14, 2023
概括
机器学习模型,包括NN-Sequential,可以有效地对急诊室患者进行分类. 这个人工智能应用程序通过分析临床数据来改进紧急医疗,以便更好地分拣和诊断.
科学领域:
- 医疗保健中的人工智能
- 机器学习应用 机器学习应用
- 临床数据分析 临床数据分析
背景情况:
- 人工智能 (AI) 和机器学习 (ML) 为复杂的医疗保健挑战提供了解决方案.
- 增加对临床数据的访问,使得ML模型的探索能够用于模式识别和医学问题解决.
- 紧急医疗临床医生需要了解AI对临床数据的适用性,以改善患者护理.
研究的目的:
- 调查医疗记录和诊断之间的相关性,重点关注使用紧急严重性指数 (ESI) 的急诊室分拣.
- 为了比较物流回归,随机森林树和NN-序列ML模型在用紧急代码对患者进行分类时的性能.
- 开发一个基于Web的应用程序,以加强基于ML发现的紧急分拣过程.
主要方法:
- 对三种机器学习模型进行比较分析:物流回归,随机森林树和NN-Sequential.
- 由于临床数据不平衡,进行了四个实验设置.
- 使用每个ESI紧急代码的曲线下接收器操作特征区域 (ROC-AUC) 评分进行性能评估.
主要成果:
- 在实验中,NN-Sequential模型始终超过其他模型.
- 在数据平衡后,NN-Sequential获得了ESI代码的ROC-AUC得分.
- 在三类分类中,NN-Sequential和随机森林树显示了可比的结果,NN-Sequential获得了高的ROC-AUC得分.
结论:
- 机器学习,特别是NN-Sequential模型,显示了提高紧急医疗护理的重大前景.
- 人工智能应用程序可以有效地处理医疗记录和临床数据,以改善患者分拣和诊断.
- 开发的基于Web的应用程序旨在简化紧急分拣过程,利用ML洞察力.
更多相关视频
09:52Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide
Published on: January 15, 2017
17.2K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
