使用成年住院患者数据的自主监督机器学习可以为儿科临床预测任务产生有效的模型
Joshua Lemmon1, Lin Lawrence Guo1, Ethan Steinberg2
1Program in Child Health Evaluative Sciences, The Hospital for Sick Children, Toronto, ON M5G1X8, Canada.
Journal of the American Medical Informatics Association : JAMIA
|August 28, 2023
概括
在成年患者数据上训练的自主监督学习模型证明与儿科临床预测的传统模型无差. 这种方法可以提高儿科电子健康记录 (EHR) 模型的开发,而不需要广泛的再培训.
科学领域:
- 医疗保健中的机器学习
- 临床信息学 临床信息学
- 儿科健康 儿科健康
背景情况:
- 为儿科住院患者开发基于电子健康记录 (EHR) 的准确机器学习模型是具有挑战性的,因为培训数据有限.
- 使用成年患者数据的自主监督学习 (SSL) 为创建强大的儿科预测模型提供了潜在的解决方案.
研究的目的:
- 评估在成年住院患者数据上训练的自我监督模型是否与在儿科住院患者数据上训练的逻辑回归模型相比,对于临床预测任务来说是不劣的.
主要方法:
- 一项回顾性队列研究利用了成人和儿科住院患者的EHR数据.
- 用成人数据训练的自我监督模型与用儿科数据训练的后勤回归模型进行了比较.
- 对儿科患者的11个临床结果,模型的性能使用接收器操作特征曲线 (AUROC) 下的面积进行了评估.
主要成果:
- 在成人数据上训练的自我监督模型在儿科患者中实现了平均AUROC0.902.
- 这与在儿科患者中训练的逻辑回归模型的平均AUROC值为0.868 (P < .001非劣势) 不相差.
结论:
- 在成年住院患者数据上训练的自我监督学习模型,与在儿科数据上训练的模型相比,表现不劣.
- 这表明SSL模型能够成功地从成年人群转移到儿科,从而减少了昂贵的再培训的需要.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
7.6K
