使用数据驱动的机器学习预测儿科出现妄想,应用到四级护理儿科医院的电子健康记录数据集
Han Yu1,2, Allan F Simpao3,4, Victor M Ruiz4
1Department of Anesthesiology and Critical Care Medicine, The Children's Hospital of Philadelphia, Philadelphia, PA 19104, United States.
JAMIA open
|December 15, 2023
概括
机器学习模型可以预测儿科出现的妄想,这是一个常见的术后问题. 关键的风险因素包括特定的手术和药物,指导未来的预防策略.
科学领域:
- 麻醉学 麻醉学
- 儿科手术 儿科手术
- 医疗保健中的机器学习
背景情况:
- 儿科突发狂妄症 (PED) 是一种常见且令人担忧的麻醉后并发症.
- 缺乏研究,PED缺乏强大的预测模型来主动管理.
- 开发预测工具对于减少PED发病率至关重要.
研究的目的:
- 将机器学习 (ML) 方法应用于大型临床数据集.
- 开发和评估儿科突发 Delirium 的预测模型.
- 确定与PED风险相关的关键临床变量.
主要方法:
- 使用电子健康记录 (2015-2019) 的回顾性队列研究.
- 评估了四个ML模型:LASSO,,随机森林,XGBoost.
- 主要结局:PED是由恢复期间的Watcha得分 (3或4) 定义的.
主要成果:
- 数据集包括来自43,830名患者的54,776次遭遇.
- 这四种ML模型都显示出类似的预测性能 (AUROC 0.74-0.75).
- 增加的危险因素:腺切除术,年轻的年龄,米达佐拉姆,丹塞. 降低风险:输液诱导,基托洛拉克.
结论:
- 四个ML模型在预测PED方面取得了可比的性能.
- 模型的性能突出了理解PED病因学的差距.
- 结果为临床决策支持系统提供了基础,需要进一步验证.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.7K
