机器学习模型的多站点开发和验证,以预测严重的结果,并指导紧急病房流感患者的决策

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持 临床决策支持
• 流行病学 流行病学

背景情况:

• 流感每年影响数百万人,其中一小部分需要急诊室 (ED) 护理.
• 在ED区分严重流感病例和轻度病例对于适当的患者管理至关重要.
• 关于预测患有流感的ED患者严重后果的数据有限.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测被诊断患有流感的ED患者的急症护理和住院需求.
• 确定在向ED提交的流感患者中严重结果的关键临床预测因素.

主要方法:

• 随机森林ML模型是使用来自5个ED的8032名实验室确认流感的成年患者的数据开发的.
• 预测变量包括人口统计学,首席投诉,病史,生命体征,氧气使用和处置前可用的实验室结果.
• 模型性能使用接收器操作特征曲线 (AUC) 下的面积和Brier分数来评估.

主要成果:

• 在研究人群中,急症护理需求的发生率为6.3%,住院护理需求为19.6%.
• ML模型实现了高预测性能,AUC为0.89的重症监护和0.90的住院护理.
• 严重结局的关键预测因素包括呼吸短促,呼吸率升高,以及大量的并发病.

结论:

• 机器学习模型在预测ED范围内流感患者的临床恶化方面表现出显著的准确性.
• 这些ML工具有可能增强ED处置决策,使患者更精确地分层.
• 准确的预测可以为高风险流感患者及时进行干预,从而有可能改善结果.