使用机器学习技术来识别缺血性中风,而不是基于规则的方法:全国性基于人口的研究
Hyunsun Lim1, Youngmin Park2, Jung Hwa Hong1
1Department of Research and Analysis, National Health Insurance Service Ilsan Hospital, Goyang, Republic of Korea.
European journal of medical research
|January 4, 2024
概括
与传统的基于规则的方法相比,机器学习 (ML) 技术,特别是像封闭循环单元 (GRU) 这样的深度学习模型,显著提高了从医疗保险索赔数据中识别缺血性中风的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
- 脑卒中研究 脑卒中研究
背景情况:
- 索赔数据分析对于中风研究至关重要.
- 基于规则的方法来识别缺血性中风往往高估了患者人数.
- 需要更准确的方法来使用索赔数据来表型中风.
研究的目的:
- 开发和评估机器学习 (ML) 算法,以准确识别索赔数据中的中风.
- 为了比较不同ML模型与传统方法的性能.
主要方法:
- 利用韩国国家医疗保险服务数据库与伊尔桑医院数据 (30,897名患者) 相连接.
- 应用和评估了极端梯度增强 (XGBoost) 和封闭循环单位 (GRU) 模型.
- 通过使用接收器操作特征曲线下的面积 (AUROC),精度回调曲线下的面积 (AUPRC) 和校准曲线来评估模型性能.
主要成果:
- 该研究包括30897名患者,其中10.18%被诊断为缺血性中风.
- XGBoost的AUROC达到了94.46%,AUPRC达到了92.80%.
- 格鲁模型表现出卓越的性能,准确率为99.81%,精度为99.92%,回忆率为99.69%.
结论:
- 基于循环神经网络的深度学习技术,如GRU,提供了改进的中风表型.
- 与基于规则的方法相比,这些先进的ML方法提供了更快,更准确的缺血性中风识别.
- 这些发现表明,通过使用电子健康记录来加强中风监测和研究的有希望的方向.
