开发和验证一种机器学习预测模型,以改善腹腔大动脉瘤查
Gregory G Salzler1, Evan J Ryer1, Robert W Abdu1
1Department of Vascular and Endovascular Surgery, Geisinger Medical Center, Danville, PA.
Journal of vascular surgery
|January 19, 2024
概括
机器学习可以识别腹腔大动脉动脉瘤 (AAA) 的高风险个体,与标准指南相比,检测率增加了200%. 这种人工智能驱动的方法通过准那些最有可能患有这种疾病的人来提高AAA的查收益率.
科学领域:
- 心血管医学 心血管医学
- 医疗保健中的人工智能
- 预防医学 预防医学
背景情况:
- 建议对腹腔大动脉瘤 (AAA) 进行查,但由于未经查的人群中检测率低,采用率仍然很低.
- 识别患有AAA高风险的个体对于提高查效率和患者结果至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以识别AAA风险最高的个体.
- 通过针对高风险人群,提高AAA查的检测率.
主要方法:
- 一项回顾性队列研究利用来自机构数据库的纵向医疗记录来训练ML模型.
- 65-75岁的患者,目前或过去有吸烟史,按性别和吸烟状况分层.
- 该模型根据性别公平性进行了调整,并使用六倍交叉验证进行了验证.
主要成果:
- 该ML算法确定了41个与AAA相关的因素,包括新的因素.
- 在两年内对18660名患者的验证确定了314名AAA.
- 与基于指南的查相比,该算法在AAA检测中显示出200%的提升,在所有切断点上都有统计学上显著的增加.
结论:
- 一个基于ML的新算法有效地识别了AAA的高风险个体.
- 使用这种算法进行的有针对性的查,与标准指南相比,可显著提高AAA检测率200%.
- 集成到工作流程中的自动化过程改善了高风险个体的查率和产量.
