可解释的机器学习模型用于紧急部门的快速风险分层:一个多中心研究
William P T M van Doorn1,2, Floris Helmich3, Paul M E L van Dam4
1Central Diagnostic Laboratory, Department of Clinical Chemistry, Maastricht University Medical Center, Maastricht, the Netherlands.
机器学习使用实验室数据准确预测急诊室患者的31天死亡风险. 该工具增强了风险分层,并有助于临床决策,以获得更好的患者结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床决策支持 临床决策支持
背景情况:
- 紧急部门 (ED) 的风险分层对于患者分类至关重要.
- 诊断性实验室测试对于评估患者的风险至关重要.
- 机器学习可以显著提高这些测试的预后能力.
研究的目的:
- 开发一个准确和可解释的机器学习模型来预测ED患者的31天死亡率.
- 创建一个临床决策支持工具,名为RISKINDEX.
- 评估该工具在多个荷兰医院的性能.
主要方法:
- 机器学习模型在患者特征和实验室数据上受训,从ED呈现的前2小时开始.
- 来自荷兰三个主要医疗中心的数据跨越了5年.
- 模型评估使用了接收器运行特征曲线 (AUROC) 和校准曲线下的面积,并对模型可解释性进行了沙普利增量解释 (SHAP).
主要成果:
- 这项研究分析了266,327名患者和710万份实验室结果.
- 风险指数模型显示了高诊断性能,AUROC在各医院的范围从0.88到0.98不等.
- SHAP分析提供了对患者数据的洞察力,推动了个体预测.
结论:
- 开发的临床决策支持工具在预测ED患者31天死亡率方面表现出色的诊断性能.
- 进一步的研究将专注于实施这些算法以改善临床结果.
- 风险指数工具提供了一个有希望的方法,通过数据驱动的洞察力来增强紧急护理.
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
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
相关概念视频
Steps in Outbreak Investigation
Comparing the Survival Analysis of Two or More Groups
Mechanistic Models: Compartment Models in Individual and Population Analysis
Hazard Ratio
For example, in a clinical trial...
