预测COVID-19患者的急诊室重访使用多源传输学习的预测
Yuelyu Ji1, Yuhe Gao2, Runxue Bao3
1Department of Information Science, School of Computing and Information, University of Pittsburgh, Pittsburgh,USA.
概括
识别可能再次访问急诊室 (ER) 的COVID-19患者至关重要. 一个新的深度转移学习模型,Multi-DANN,有效地预测了使用电子健康记录 (EHR) 的7天ER重访.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 公共卫生 公共卫生
背景情况:
- 冠状病毒疾病2019 (COVID-19) 是一个重大的全球健康挑战,临床结果各不相同.
- 有相当数量的COVID-19患者在出院后不久就需要重新入住急诊室 (ER),增加了医疗保健负担.
- 早期识别高风险重访ER的患者对于优化医疗资源分配至关重要.
研究的目的:
- 开发和评估预测模型,以识别高风险的COVID-19患者在退院后7天内重新访问ER.
- 通过使用深度转移学习技术,解决多个ER中的数据异质性.
- 评估域对抗神经网络 (DANN) 算法在预测患者再访方面的有效性.
主要方法:
- 利用来自13个急诊室的3210名COVID-19患者接触的电子健康记录 (EHR).
- 使用自然语言处理 (NLP) 与ScispaCy提取关键的临床概念.
- 开发了使用常见临床概念的7天复查预测模型,并比较了多DANN,单DANN和基线策略.
主要成果:
- 多DANN模型在预测COVID-19患者的7天ER复诊时表现出卓越的表现,达到0.8.8的中位数AUROC.
- 多DANN显著优于单DANN (中位数AUROC=0.5) 和基线模型,有效地处理域差异.
- 该研究证实了EHR数据在开发ER复查风险的强有力的预测模型中的实用性.
结论:
- 深度转移学习,特别是多DANN方法,在预测COVID-19患者急救室再访时非常有效.
- 多DANN策略成功地减轻了来自多个来源的数据异质性问题,提高了模型的通用性.
- 这种预测能力可以帮助临床医生积极主动地管理病人,并在急诊室内优化资源.


