基于机器学习的预测模型,用于COVID-19患者的家庭出院:使用电子健康记录的开发和评估

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 公共卫生 公共卫生

背景情况:

• 住院的COVID-19患者需要处置规划.
• 电子健康记录 (EHR) 包含有价值的数据来预测患者的结果.
• 在公共卫生危机期间,有效的资源配置至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测COVID-19患者倾向.
• 为了确定住院COVID-19患者是否会被接收到替代护理或在家出院.
• 为改善医疗保健决策利用EHR数据.

主要方法:

• 对1578名住院COVID-19患者进行了回顾性队列研究.
• 开发和验证六个监督的ML模型 (例如,随机森林,物流回归).
• 模型性能使用ROC-AUC,精度,准确性,F1分数和Brier分数进行评估.

主要成果:

• 随机森林分类器实现了最高的准确性 (0.84) 和AUC (0.72).
• 其他模型,如物流回归,也显示出强大的预测能力 (准确度:0.85,AUC:0.71).
• 这些模型在预测患者出院状态方面表现出了宝贵的性能.

结论:

• 使用EHR数据的ML模型可以有效地预测COVID-19患者的性情.
• 这些预测工具对于在流行病期间优化医疗保健资源配置至关重要.
• 可解释的ML方法可以提高对影响医疗保健决策的因素的理解.