使用机器学习和结构化电子健康记录在不同人群中预测静脉血栓栓塞
Robert Chen1,2,3, Ben Omega Petrazzini1,3,4, Waqas A Malick5
1Charles Bronfman Institute for Personalized Medicine (R.C., B.O.P., R.D.), Icahn School of Medicine at Mount Sinai, New York.
机器学习模型使用电子健康记录准确预测静脉血栓栓塞 (VTE) 诊断和1年的风险. 这些先进的工具的性能优于现有的方法,改善了患者的治疗结果,并降低了与VTE相关的死亡率.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 医疗服务研究 医疗服务研究
背景情况:
- 静脉血栓塞栓症 (VTE) 构成了全球严重的健康负担.
- 现有的VTE风险评估工具在准确性和适用性方面存在局限性.
- 需要改进的方法来预测VTE诊断和长期风险.
研究的目的:
- 开发和验证用于预测VTE诊断的机器学习 (ML) 模型.
- 创建ML模型来预测1年的VTE风险.
- 利用结构化的电子健康记录 (EHR) 数据来提高VTE风险预测.
主要方法:
- 在来自西奈山数据库的大数据集 (159,005名参与者) 上训练并验证了ML模型.
- 来自英国生物库 (401,723名参与者) 和我们所有人 (123,039名参与者) 的多种人群的外部验证模型.
- 开发了不同复杂度 (小,中,大) 的模型,以平衡可移植性和性能.
主要成果:
- 模型在外部测试套件上在预测静脉瘤诊断 (AUC 0.720.83) 和1年风险 (AUC 0.640.78) 中取得了高性能.
- 在预测准确度方面,ML模型显著超过了帕多瓦得分.
- 在各种患者子组中,包括各种种族和临床状态,表现仍然很强.
结论:
- 利用EHR数据的ML模型在不同人群中为VTE诊断和1年风险预测提供了显著的改进.
- 这些模型可以识别关键的风险因素,提供对VTE病理生理学的见解.
- 集成到EHR系统可以提高实时风险评估,从而更好地预防VTE并降低发病/死亡率.
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
06:45Point-Of-Care Ultrasound Screening for Proximal Lower Extremity Deep Venous Thrombosis
Published on: February 10, 2023
相关概念视频
Venous Thrombosis I: Introduction
Venous Thrombosis II: Clinical Manifestations and Diagnostic Studies
Venous Thrombosis III: Interprofessional Care
Venous Thrombosis IV: Nursing Management
Pulmonary Embolism III: Nursing Management
Pulmonary Embolism I: Introduction
