在加拿大学术急救部门评估远程敏度预测工具的可靠性
Laila Nasser1, Shelley L McLeod2, Justin N Hall3
1Department of Emergency Medicine, Sunnybrook Health Sciences Centre, Department of Medicine, Temerty Faculty of Medicine, University of Toronto, Toronto, Ontario, Canada; Department for Continuing Education, Oxford University, Oxford, England.
Annals of emergency medicine
|January 5, 2024
概括
一个机器学习算法在远程预测急诊室 (ED) 患者敏度得分方面显示出差到相当可靠. 在这个人工智能工具可以安全地用于虚拟患者分拣之前,需要进一步的改进.
科学领域:
- 医疗保健中的人工智能
- 紧急医疗 紧急医疗
- 临床分类是临床分类.
背景情况:
- 人工智能对远程患者分拣越来越感兴趣.
- 需要评估人工智能算法的可靠性,以预测急诊室 (ED) 敏度得分.
研究的目的:
- 为了评估机器学习算法在远程预测患者敏度得分方面的可靠性.
- 将AI预测的分数与使用加拿大分辨率和敏度度量 (eCTAS) 的已建立的护士主导分辨率进行比较.
主要方法:
- 对21469名成年人ED遭遇的回顾性审查 (2021年1月至2022年8月).
- 机器学习算法使用ED访问数据 (访问原因,投诉,疼痛评分等) 为了预测敏度.
- 将AI预测与实时护士领导的eCTAS分数进行比较;使用kappa统计数据评估interrater可靠性.
主要成果:
- 机器学习算法在48.4%的案例中实现了精确的模式协议.
- 评价者之间的可靠性差到相当 (kappa值为0.18-0.36).
- 算法过分选了46.1%的患者,不足选了5.5%的患者,缺少了像实验室异常和发烧这样的疾病.
结论:
- 目前的机器学习算法在安全的远程患者选方面显示不够可靠.
- 在临床实施之前需要进行显著的改进.
- 人工智能驱动的分组需要进一步发展,以确保患者的安全和准确的敏度评估.
