一个机器学习系统,以优化成年人眼科急诊室的分拣:一个模型开发和验证研究
Camilo Brandao-de-Resende1,2,3, Mariane Melo2,3, Elsa Lee1,2,3
1Institute of Ophthalmology, University College London (UCL), London, UK.
EClinicalMedicine
|December 13, 2023
概括
一个新的机器学习系统,DemDx眼科选系统 (DOTS),在优化眼科紧急护理方面显示出有前途. DOTS对人类分拣护士表现出类似的敏感性,但其特异性明显提高,减少了不必要的紧急出勤.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 机器学习 机器学习
- 医疗保健系统 医疗保健系统
背景情况:
- 眼科急诊室经常处理非紧急病例.
- 低效的分类导致资源分配和患者流量不足.
- 需要自动化系统来提高分拣准确性和效率.
研究的目的:
- 开发和评估一个机器学习系统,DOTS,以优化眼科紧急选.
- 减少不适当的急救人员出勤,并简化必要的转诊.
- 评估DOTS的性能和稳定性与人类分拣相比.
主要方法:
- 开发了DOTS,使用Moorfields眼科医院11315次眼科急诊的回顾性数据.
- 验证了临时和外部的DOTS (UFMG,巴西),将其性能与分拣护士进行比较.
- 评估了系统偏差,对疾病发病率变化的稳定性,以及社会人口统计学子组的表现.
主要成果:
- 在时间验证上,DOTS获得了94.5%的灵敏度和42.4%的特异性,超过了分拣护士的特异性 (25.1%).
- 在UFMG进行的外部验证显示DOTS的灵敏度为95.2%,特异性为32.2%.
- 在所有验证和子组中,DOTS表现一致,在模拟中灵敏度始终高于92.2%和特异性高于36.8%.
结论:
- DOTS提供了与人类分拣护士相似的灵敏度,但具有显著更高的特异性,可能减少不必要的急诊.
- 该系统在不同的环境和患者人口统计学中展示了一致和强大的性能.
- 需要进一步的前性临床试验来验证DOTS在现实世界的临床实践中,专注于人机交互.
