机器学习算法的应用在儿童虐待头部创伤的预测中
Priyanka Jadhav1, Timothy Sears2, Gretchen Floan3
1University of California San Diego School of Medicine, 9500 Gilman Dr, La Jolla, CA, 92093, USA.
Journal of pediatric surgery
|October 20, 2023
概括
机器学习使用医生笔记和人口统计数据准确地检测儿童的滥用头部创伤 (AHT). 这种算法可以改善早期的AHT识别,帮助及时干预并改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 儿科急救医学 儿科急救医学
- 医疗保健中的机器学习
背景情况:
- 滥用头部创伤 (AHT) 是儿科护理的一个严重问题.
- 及时检测AHT对于干预和改善结果至关重要.
- 目前的诊断方法可能会耗时,可能会错过微妙的指标.
研究的目的:
- 开发和评估一种机器学习算法,用于早期检测潜在的滥用头部创伤 (AHT).
- 使用自由文本医生笔记和人口统计数据用于AHT识别.
- 评估算法在区分AHT病例与其他头部损伤方面的表现.
主要方法:
- 收集了第一个自由文本医生笔记和5岁以下儿童的人口统计数据.
- 将AHT病例 (由儿童保护小组诊断) 与对照组 (头部/部损伤) 进行了比较.
- 开发了复合分数 (差异,情绪,主观性) 并使用人口数据训练了一个随机森林算法.
主要成果:
- 结合复合分数和人口统计数据的随机森林模型实现了84%的准确性.
- 在纳入人口统计数据时,曲线下的面积 (AUC) 从0.68提高到0.78.
- 关键预测因素包括复合得分,情绪,年龄和主观性;主观性在AHT病例中趋向更高.
结论:
- 机器学习有效地识别了临床笔记和人口统计数据中的模式,表明了AHT.
- 这种方法为儿童及时准确检测AHT提供了一个有希望的工具.
- 进一步整合这些算法可以提高儿科患者的安全性和护理.
