医护人员运送的急性急性病人的入院预测:使用机器学习的基于人口的队列研究

科学领域:

• 紧急医疗 紧急医疗
• 医疗信息学 医疗信息学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 对于高急症患者来说,最近的急诊室 (ED) 不总是最佳的.
• 预测医院入院可能性可以增强护理人员的决策能力.
• 机器学习 (ML) 可能有助于为新出现的患者选择更合适的ED.

研究的目的:

• 检查是否医院前患者的特征预测在紧急急性病例中入院.
• 评估ML算法在预测ED入院的准确性.
• 为了告知潜在的政策变化关于患者运输到替代EDs.

主要方法:

• 在人口层面的队列研究中,使用了来自安大略省国家门诊护理报告系统的2018-2019年数据.
• 四个ML算法使用10倍交叉验证进行了训练和验证.
• 包括由护理人员运送的成年患者与新出现的加拿大分辨率敏度度量得分;使用八个医院前特征类作为预测因素.

主要成果:

• ML算法在预测医院入院的准确性是可以接受的 (AUC 0.77-0.78).
• 住院入院的关键预测因素包括老年 (65-105岁),来自住院的转诊,呼吸道疾病和家庭护理状况.
• 变量重要性得分确定了医院入院的前10个预测因素.

结论:

• 已知的医院前患者特征可以准确预测ED入院情况.
• 这些发现支持政策修改,允许选择的新生患者被运送到更遥远,更专业或更少拥挤的ED.
• 证明了ML在护理和医院前研究中的实用性,以改善患者护理途径.