使用电子健康记录和审计日志的观察性监督来预测临床结果

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 临床数据分析 临床数据分析

背景情况:

• 电子健康记录 (EHR) 系统生成审计日志,详细说明提供者与临床数据的互动.
• 机器学习 (ML) 模型越来越多地用于临床结果预测.
• 数据分布的时间变化可能会影响机器学习模型的性能和稳定性.

研究的目的:

• 为了确定使用EHR审计日志和临床数据训练的ML模型是否优于仅使用临床数据训练的模型.
• 在纳入审计日志数据时,评估ML模型对时间分布转移的稳定性.
• 用审计日志评估"观察性监督"对临床结果预测准确性的影响.

主要方法:

• 训练和评估各种ML模型 (逻辑回归,SVM,神经网络,随机森林,GBM) 使用带有和没有审计日志的临床EHR数据.
• 利用斯坦福医疗保健的数据进行两个预测任务:急性损伤 (AKI) 患者的主要不良事件 (MAKE-120) 和急性中风患者的30天再入院.
• 在不同时间间隔的数据上评估模型性能,以评估对时间分布变化的稳定性.

主要成果:

• 与仅使用临床EHR数据和审计日志训练的ML模型相比,与仅使用临床数据训练的模型相比,ML模型通常表现更好.
• 梯度增强机器 (GBM) 显示出卓越的性能,审计日志的包含在两个预测任务中显著提升了AUROC.
• 结合审计日志的GBM在以后的时间间隔中表现出较少的性能退化,这表明对时间转移的强化稳定性.

结论:

• 使用EHR审计日志的观察监督提高了ML模型的性能,用于预测关键临床结果.
• 审计日志的包含提高了ML模型对医疗保健数据时间分布转移的稳定性.
• 这种方法为在临床环境中开发更可靠,更准确的预测模型提供了一个有希望的策略.