机器学习模型应用于来自严重疾病成人的生物医学和信息系统信号
Craig M Lilly1, David Kirk2, Itai M Pessach3
1Department of Medicine, UMass Memorial Medical Center, Worcester, MA; UMass Memorial Health, UMass Memorial Medical Center, Worcester, MA; Department of Anesthesiology and Surgery, University of Massachusetts, Worcester, MA; University of Massachusetts Chan Medical School, University of Massachusetts, Worcester, MA; Clinical and Population Health Research Program, University of Massachusetts, Worcester, MA; Graduate School of Biomedical Sciences, University of Massachusetts, Worcester, MA.
机器学习 (ML) 警报在预测输管等关键事件方面明显优于远程医疗系统 (TS) 警报和生物医学监控器 (BMs). ML通知提供了更高的准确性和更低的警报负担,用于主动的患者护理.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 迫在眉的血液动力学不稳定性和呼吸衰竭需要及时的医生干预.
- 机器学习 (ML) 通知为早期警报提供了潜在的可能性,以防止关键事件.
研究的目的:
- 为了比较ML警报,远程医疗系统 (TS) 警报和生物医学监控器 (BMs) 的预测性能.
- 评估这些系统在预测危重病成人输管或血管压缩剂的管理方面的优势.
主要方法:
- 开发了一种ML算法来预测输管和血管压缩剂启动事件.
- ML算法的性能与BM报警和TS报警进行了基准测试.
主要成果:
- ML的通知显示出卓越的准确性 (0.87-0.94) 和精度,与TS警报相比,预测血管压缩剂启动和输管的警报负担低50倍.
- TS警报显示,警报负担比BM警报低10倍.
- 在内部,外部验证和COVID-19队列中,ML警报的表现一致,在F-score指标中显著超过了TS和BM警报.
结论:
- 由ML衍生的通知代表了在管理血液动力学不稳定性和呼吸衰竭方面取得的重大进展.
- 在准确性,精度和降低警报负担的实质性改进使得更积极的患者护理和更少的临床工作流程中断.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
