使用无监督机器学习自动检测IV液体污染
Nicholas C Spies1, Zita Hubler1, Vahid Azimi1
1Department of Pathology, Washington University in St.Louis School of Medicine, St. Louis, MO, United States.
Clinical chemistry
|December 12, 2023
概括
现在可以在基本代谢面板 (BMP) 结果中自动检测静脉注射 (IV) 液体污染. 这种新的机器学习方法可以准确地识别污染,而不需要专家标记的数据,从而提高患者的安全性.
科学领域:
- 临床化学 临床化学
- 医疗保健中的机器学习
- 实验室医学 实验室医学
背景情况:
- 静脉注射 (IV) 液体的污染是分析前误差的常见来源,可能导致治疗不正确和伤害患者.
- 目前的检测方法,如三角洲检查和手动审查,是低效的,容易出现人为错误.
- 用于污染检测的监督机器学习受限于需要专家标记的培训数据.
研究的目的:
- 开发和评估一种自动化,准确和实用的方法,用于检测基础代谢面板 (BMP) 结果中的IV液体污染.
- 实施一种不需要专家标记的培训数据的机器学习模型.
主要方法:
- 一个统一的多重近似和投影 (UMAP) 模型被训练并测试了来自312,000名患者的2500多万个BMP结果.
- 该模型使用了真实患者数据和模拟IV液体污染的组合.
- 为了分类,得出了一个"丰富分数",并通过专家图表审查将UMAP预测与现有的临床工作流进行了比较.
主要成果:
- UMAP嵌入式有效地确定了异常值,表明了IV液体污染.
- 该模型以每1000个结果中的3个标志率实现了0.78的正预测值 (PPV).
- 确定了58个以前未被检测到的污染病例,其中包括49个BMP的56个关键结果.
结论:
- 在BMP结果中自动和准确检测IV液体污染是可行的.
- 这种方法提供了一个实际的解决方案,不需要专家标记的培训数据.
- 开发的方法通过识别实验室测试中的关键错误来提高患者的安全性.
