机器学习预测模型的开发,用于狂妄后的自我排泄,使用急诊室数据
Koutarou Matsumoto1,2, Yasunobu Nohara2,3, Mikako Sakaguchi4
1Biostatistics Center, Kurume University, Japan.
Studies in health technology and informatics
|January 25, 2024
概括
在急诊室预测妄和自我排泄非常重要. 机器学习模型准确地识别高风险患者,使数据驱动的护理决策能够防止患者的痛苦.
科学领域:
- 紧急医疗 紧急医疗
- 医疗保健中的人工智能
- 患者安全 患者安全
背景情况:
- 妄想是急诊室经常出现的情况.
- 患有妄想症的患者面临诸如医疗器械自拔等风险.
- 预测妄想及其并发症对于及时干预至关重要.
研究的目的:
- 开发和评估用于预测妄想发生的机器学习模型.
- 创建一个模型来预测患有妄想症的患者的自我输出管.
- 使用可解释的人工智能,区分妄想与自我排泄的预测因素.
主要方法:
- 利用机器学习算法构建两个预测模型.
- 在模型解释性和预测器可视化方面使用沙普利增量解释 (SHAP).
- 评估了开发模型的歧视性表现.
主要成果:
- 这两种预测模型都表现出高的分辨性性能.
- 与 Delirium 后的自我排泄相比,我们确定了 Delirium 发作的明显预测因素.
- SHAP分析提供了对影响每个预测的因素的见解.
结论:
- 机器学习模型可以有效地识别患有 Delirium 和自我排泄的高风险的患者.
- 了解不同的预测因素可以支持量身定制的临床决策.
- 数据驱动的方法可以改善患者的护理,并减少阳性痛苦.
