使用基于自由文本操作笔记和结构化EHR数据的多式深度学习来预测绿眼的多类手术结果

科学领域:

• 眼科医生 眼科 眼科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 手术预测结果对于有效的术后管理至关重要,但往往受数据来源和结果细节性的限制.
• 当前的机器学习模型通常不包括在外科手术笔记中发现的有价值的手术内信息,并且通常只能预测二进制结果.
• 这限制了他们的实用性,当手术有多个不同的结果需要量身定制的术后护理.

研究的目的:

• 开发和评估多式联络深度学习模型,用于多类预测眼外科手术结果.
• 将手术笔记中的手术内信息与结构化电子健康记录 (EHR) 数据相结合.
• 解决现有模型在处理多种手术结果和利用全面的患者数据方面的局限性.

主要方法:

• 开发了多式联络深度学习模型,集成结构化EHR数据和自由文本操作笔记,用于预测青光眼带切除术的结果.
• 与基线模型进行多式联运模型比较,仅使用结构化电子健康记录数据或仅使用操作笔记.
• 使用诸如宏观面积在接收器操作特征曲线 (AUROC) 下和F1分数等指标评估模型性能.

主要成果:

• 多式联络神经网络实现了最高的性能,宏观AUROC为0.750,F1得分为0.583.
• 这种模型显著优于仅使用结构化EHR数据的基线模型 (宏观AUROC0.712,F1得分0.486).
• 多式模式在不同结果中表现强,在预测手术失败 (低位) 和成功方面表现出色.

结论:

• 手术笔记包含重要的预测信息,增强了手术结果预测模型.
• 结合外科手术周记和结构化EHR数据的多式预测模型比使用单个数据源的模型提供更高的性能.
• 使用先进机器学习的多类手术结果预测可以显著改善术后管理的临床决策,并可能应用于其他手术专业.