早期识别手术候选人:一个多中心,机器学习,前性验证研究
Benjamin D Wissel1, Hansel M Greiner1, Tracy A Glauser1
1From the Division of Biomedical Informatics (B.D.W., J.P.P., J.W.D.), Cincinnati Children's Hospital Medical Center; Department of Pediatrics (H.M.G., T.A.G., J.P.P., K.D.H.-B., F.T.M., R.D.S., J.W.D.), University of Cincinnati College of Medicine; Division of Neurology (H.M.G., T.A.G., K.D.H.-B.), Cincinnati Children's Hospital Medical Center; Department of Neurology and Rehabilitation Medicine (D.M.F., J.L.C., L.E.), University of Cincinnati; Division of Neurosurgery (F.T.M.); Division of Biostatistics and Epidemiology (R.D.S.); and Division of Emergency Medicine (J.W.D.), Cincinnati Children's Hospital Medical Center, OH.
机器学习模型可以更早地识别手术候选人,大大减少延迟. 这一前性验证证实了他们在区分需要切除手术的患者方面的准确性.
科学领域:
- 神经学 神经学
- 人工智能在医学中的应用
- 临床信息学 临床信息学
背景情况:
- 手术往往会延迟,影响患者的治疗结果.
- 以前开发的机器学习 (ML) 模型是为了加快识别切除性手术候选人的速度.
- 本研究重点是对这些ML模型的前性验证.
研究的目的:
- 为了对机器学习模型进行前性验证,以便早期识别手术候选人.
- 评估ML算法的准确性和效率,以区分需要切除性手术的患者.
主要方法:
- 这是一项多中心,前性,纵向的队列研究,涉及儿童和成人中心.
- 随机森林ML模型利用了各种患者数据,包括临床笔记,EEG/MRI报告和医疗保健利用模式.
- 用曲线下的面积 (AUC),正预测值 (PPV) 和负预测值 (NPV) 来评估模型性能.
主要成果:
- 在儿童和成人队列中,ML模型显示出高精度,AUC为0.91.
- 这些模型比传统的评估时间表 (中位数为手术前2.1年) 早得多地确定了潜在的外科候选人.
- 负预测值 (NPV) 为1.00,表明识别不需要手术的患者的信心很高.
结论:
- 机器学习算法有效地识别了早期疾病过程中切除性手术的候选人.
- 尽管有专业的护理,但仍有机会通过先进的算法进一步缩短手术的时间.
